Elementos Econometria Matbook PDF

Elementos de Econometría.
Material de curso.
Miguel Ángel Tarancón Morán

Profesor Titular de Universidad
© Miguel Ángel Tarancón Morán, 2016.
Esta obra puede ser descargada gratuitamente en la web personal del autor.
Esta obra está licenciada bajo la Licencia Creative Commons Atribución-NoComercial-SinDerivar 4.0 Internacional.
Para ver una copia de esta licencia, visita http://creativecommons.org/licenses/by-nc-nd/4.0/.
Índice.
Revisión de las hipótesis del modelo lineal ……………………………………………………………………………………………………………………………………1
Revisión de las hipótesis del modelo lineal …………………………………………………………………………………………………………………………………...1

Ejemplo de problemática de muestras pequeñas ………………………………………………………………………………………………………………………………..….3
Ejemplo de errores de especificación ………………………………………………………………………………………………………………………………………………….……4
Ejemplo de especificación no-lineal ……………………………………………………………………………………………………………………………………………………….7
Ejemplo de problemática de multicolinealidad ………………………………………………………………………………………………………………….………………..9
Cambio Estructural …………………………………………………………………………………………………………………………………………………………………….11
Ejemplo de problemática del Cambio Estructural: modelo del deflactor del Consumo Privado Nacional ……………………………..11
Ejemplo de problemática del Cambio Estructural (II): modelo de los Asalariados en la Construcción …………………………………………….……18
Ejemplo de problemática del Cambio Estructural (III): modelo de las exportaciones de bienes y servicios ………………..……………23
Ejemplo de problemática del Cambio Estructural (IV): modelo de Formación Bruta de Capital Fijo …………………....................……………26
Autocorelación ………………………………………………………………………………………………………………………………………………………………....…29
Ejemplo de tratamiento de la autocorrelación en los residuos mínimo-cuadráticos: modelo del Empleo en el Sector Servicios …………29
Ejemplo de tratamiento de la autocorrelación en los residuos mínimo-cuadráticos: modelo de determinación del número de
asalariados en el Sector Primario ……………………………………………………………………………………………………………………………………………………..33
Esquemas de Autocorrelación AR(1), MA(1) y ARMA(1,1) ……………………………………………………………….....…………………………………………37
Índice.
Heteroscedasticidad ……………………………………………………………………………………………………………………………………………………………….……40
Ejemplo de tratamiento de la heteroscedasticidad en los residuos mínimo-cuadráticos: modelo de las ventas de

ramas productivas en función del esfuerzo en I+D ………………………………………………………………………………………………………………………………...40
Modelos Univariantes de Series Temporales ………………………………………………………………………………………………………………………………….44
Ejemplo de modelo univariante de series temporales (ARIMA) I: modelo del Índice de Precios Industriales ……………………………..44
Ejemplo de modelo univariante de series temporales (ARIMA) II: modelo del Índice de Producción Industrial .……………………….……49
Ejemplo de modelo univariante de series temporales (ARIMA) III: modelo del Índice de Precios al Consumo
Ejercicios …………………………………………………………………………………………………………………………………………………………………..……………....…59
Laboratorios …………………………………………………………………………………………………………………………………………………………………....78
Diagnóstico de un modelo econométrico uniecuacional ……………………………………………………………………………………………….78

Mejora de un modelo econométrico uniecuacional ……………………………………………………………………………………….………87
Guía del Trabajo de Curso ……………………………………………………………………………………………………………………………………………………95

Elementos de Econometría
Tema 1 Revisión de las hipótesis del modelo lineal.
MODELO BÁSICO DE REGRESIÓ LIEAL (MBRL) (I)
y=Xβ+u y: vector de observaciones de la variable endógena (nx1). β: vector de coeficientes (kx1).

X: matriz de observaciones de las k variables explicativas (nxk). u: vector de perturbaciones aleatorias (nx1).
HIPÓTESIS: EFRETAMIETO DEL MODELO CO LA MODELOS/SOLUCIOES

REALIDAD/ ICUMPLIMIETO
A) Forma funcional:
• Modelo lineal Funciones no lineales (función potencial, función Conversión del modelo en lineal mediante cambio de
exponencial,...) variable:
• Modelos en logaritmos
• Modelos logarítmico-lineales
B) Variables observables X e y:
• ρ (X) = k < n :
♦ Tamaño muestral suficiente Muestras pequeñas (insuficiencia de grados de • Simplificar los modelos en su especificación
libertad) (principio de parsimonia)
• Incrementar tamaño muestral si fuese posible
♦ Variables X {x1, x2,..., xk) Colinealidad entre variables (problemas de • Eliminar variables (simplificar el modelo)
linealmente independientes multicolinealidad) • Utilización de estimaciones externas
• Transformación de variables
• Técnica de componentes principales
• Regresión cresta (pseudo-inversa)
• Incrementar tamaño muestral
• Variables X deterministas Variables predeterminadas aleatorias: • Modelos univariantes de series temporales
(no estocásticas) • Variables endógenas desplazadas • Modelos de función de transferencia
• Modelos de ecuaciones simultáneas • Modelos multiecuacionales
• Errores de observación en las variables • Modelos dinámicos
• Variables instrumentales
• Variables proxy
• Variables observables cuantitativas Datos cualitativos • Variables ficticias (dummy)
• Modelos logit (transformación logística)
• Modelos probit (distribución normal acumulada)
1
Tema 1 Revisión de las hipótesis del modelo lineal.
MODELO BÁSICO DE REGRESIÓ LIEAL (MBRL) (II)
y=Xβ+u y: vector de observaciones de la variable endógena (nx1). β: vector de coeficientes (kx1).

X: matriz de observaciones de las k variables explicativas (nxk). u: vector de perturbaciones aleatorias (nx1).
HIPÓTESIS: EFRETAMIETO DEL MODELO CO LA MODELOS/SOLUCIOES

REALIDAD/ ICUMPLIMIETO
C) Parámetros β :
• βjt coeficientes constantes ∀t Cambio estructural • Inclusión de variable dummy (ficticia)
(Datos estructuralmente heterogéneos) • Aplicar regresiones cambiantes a cada submuestra
(switching regressions)
• Aplicar modelos con parámetros cambiantes
D) Perturbación aleatoria u : u ∼ (0, σ2I)
• Normalidad Distribuciones estadísticas no normales • Transformar los datos para conseguir la
normalidad
• Elaboración de nuevos estimadores y contrastes no
afectados por el tipo de distribución (contrastes
robustos)
• Media cero: E[ut] = 0, ∀t Proceso estocástico no estacionario en media Modelo de regresión generalizado:
• E[ut] ≠ 0 pero constante. Se sumaría al término
independiente
• E[ut] ≠ 0 pero variable. Volver a especificar
modelo (omisión de variable relevante)
• Varianza constante: var [ut] = σ2 , ∀t Proceso estocástico no estacionario en varianza Modelo de regresión generalizado con
(homoscedasticidad) (Heteroscedasticidad) heteroscedasticidad (esquemas heteroscedásticos):
• Transformación de datos en el modelo
• Uso de variables que actúan como deflactores
• Aplicación del modelo por grupos de datos
• Independencia: cov [ut , uj] = 0, ∀t ≠ j Autocorrelación serial Modelo de regresión generalizado con esquema
autorregresivo:
• Modelos AR(p), MA(q) y ARMA(p,q)
2
Elementos de Econometría EQUATION NUMBER: 2
SAMPLE PERIOD: 1970- 1995
Tema 1 Ejemplo de problemática de muestras pequeñas. NUMBER OF OBSERVATIONS:
ORDINARY LEAST SQUARES
26
pro=C1*clu+C2*fbk+C3*mpr+C4
PARAMETER T-STATISTIC STD ERROR MEAN

C1) -0.13454 -2.98997 .04500 11058.402
C2) 7.0288 6.58671 1.06712 1097.620
C3) -5.0973 -2.43513 2.09324 78.036
Se dispone de dos estimaciones alternativas sobre un modelo de empresa en el que se C4) 2022.0 3.54450 570.46702 1.000
trata de explicar el volumen de producción (PRO) en función del coste salarial unitario
VARIANCE= .43922690E+05 DEPENDENT MEAN= 7851.4
(CLU), la formación bruta de capital (FBK) y el coste medio de las materias primas STANDARD ERROR= 209.57740000 PERCENT ERROR= 2.7
(MPR). La especificación de ambos modelos es la siguiente: R-SQUARE= .9840 R-BAR-SQUARE= .9818
MAX LLF= -173.69312 F-STATISTIC: F( 3, 22)= 449.9020
DW STATISTIC= 2.00794
HETROSCEDASTICITY TEST(S):
PROt = β0 + β1 CLUt + β2 FBKt + β3 MPRt + ut BREUSCH-PAGAN TEST: F( 3, 22) = 1.6712, CHI-SQR( 3) = 4.8255
STRUCTURAL STABILITY TEST, BASED ON 3 SUBPERIODS:

INTERCEPT PARAMETERS: F( 2, 20)= 1.4572
En la primera de las estimaciones (MCO) se ha considerado un período muestral de SLOPE PARAMETERS: F( 6, 14)=
ALL PARAMETERS: F( 8, 14)=
5.1090
4.6451
1985-1995 y en la segunda estimación se ha conseguido ampliar la muestra hacia atrás, BREAK POINT(S): 198001 198801
considerándose un período muestral de 1970-1995:
En el contraste t de significación individual de los parámetros se puede observar como,

en la primera estimación, la mayoría de los parámetros son no significativos, mientras
que en la segunda estimación, todos los parámetros son significativos. Esto se debe a
que, ante una estimación con escasos grados de libertad, se origina una elevación de las
varianzas de los parámetros obtenidos (pérdida de eficiencia), lo que afecta al
EQUATION NUMBER: 1 estadístico t.
NUMBER OF OBSERVATIONS: 11
ORDINARY LEAST SQUARES NOTA: Al aumentar la muestra, el modelo adolece de un problema de cambio
estructural.
pro=C1*clu+C2*fbk+C3*mpr+C4
PARAMETER T-STATISTIC STD ERROR MEAN En la siguiente ecuación se plantea como alternativa una simplificación en la
C1) 0.08121 .90376 .08986 19599.768
C2) 1.3028 .52745 2.47000 1502.048 especificación (principio de parsimonia), eliminando la variable FBK:
C3) -10.732 -1.35280 7.93312 109.082
C4) 6992.8 2.66379 2625.13051 1.000
EQUATION NUMBER: 3
VARIANCE= .35487409E+05 DEPENDENT MEAN= 9370.7 SAMPLE PERIOD: 1985- 1995
STANDARD ERROR= 188.38100000 PERCENT ERROR= 2.0 NUMBER OF OBSERVATIONS: 11
R-SQUARE= .9683 R-BAR-SQUARE= .9547 ORDINARY LEAST SQUARES
DW STATISTIC= 2.01727 pro=C1*clu+C2*mpr+C3
HETROSCEDASTICITY TEST(S): PARAMETER T-STATISTIC STD ERROR MEAN

BREUSCH-PAGAN TEST: F( 3, 7) = .6151, CHI-SQR( 3) = 2.2949 C1) 0.12826 12.44176 .01031 19599.768
C2) -13.339 -2.25357 5.91894 109.082
STRUCTURAL STABILITY TEST, BASED ON 2 SUBPERIODS: C3) 8311.8 10.91353 761.60607 1.000
SLOPE PARAMETERS: F( 3, 3)= 1.6278 VARIANCE= .32285569E+05 DEPENDENT MEAN= 9370.7
ALL PARAMETERS: F( 4, 3)= 3.8814 STANDARD ERROR= 179.68190000 PERCENT ERROR= 1.9
BREAK POINT(S): 199101 R-SQUARE= .9670 R-BAR-SQUARE= .9588
BREUSCH-PAGAN TEST: F( 2, 8) = .6034, CHI-SQR( 2) = 1.4418

SLOPE PARAMETERS: F( 2, 5)= 1.6730
ALL PARAMETERS: F( 3, 5)= 4.9605
BREAK POINT(S): 199101
1 2
3
Elementos de Econometría En concreto, los tres parámetros del modelo son significativos y se cumple con la
Tema 1 Ejemplo de errores de especificación. hipótesis de estabilidad estructural, lo que asegura el carácter insesgado y consistente de
los parámetros.
Vamos a estimar ahora una ecuación alternativa, en la que omitimos la variable VAID.
Se obtienen los siguientes resultados:
Se ha estimado una ecuación que relaciona el número de asalariados en la industria en
España (ASALID) con el Valor Añadido a precios básicos de la industria (VAID), y
Equation Number: 2
el deflactor de dicho Valor Añadido (PVAID). Los resultados obtenidos son los Sample Period: 1987- 2001
siguientes: Number of Observations: 15
Ordinary Least Squares
asalind=C1*vaind+C2
Equation Number: 1
Sample Period: 1987- 2001 Parameter T-Statistic Std Error Mean
Number of Observations: 15 C1) 0.00408 0.89738 0.00455 95802.933
Ordinary Least Squares C2) 1995.8 4.55309 438.33641 1.000
asalind=C1*vaind+C2*pvaind+C3 Variance= 31630.768014 Dependent Mean= 2386.972
Standard Error= 177.850409 Percent Error= 7.45%
Parameter T-Statistic Std Error Mean R-Square= 0.0583 R-Bar-Square= -0.0141
C1) 0.02656 8.16979 0.00325 95802.933 Schwarz Criterion=10.5799 Akaike Criterion= 10.4855
C2) -25.302 -8.33758 3.03466 93.432 Max LLF= -97.92496 F-Statistic: F( 1, 13)= 0.8053
C3) 2206.1 12.47412 176.85809 1.000 DW Statistic= 0.28329
Variance= 5044.455668 Dependent Mean= 2386.972 Residuals Properties Tests:
Standard Error= 71.024332 Percent Error= 2.98% Jarque-Bera Test: Chi-Sqr( 2) = 1.1405
R-Square= 0.8614 R-Bar-Square= 0.8383 Box-Pierce Test: Chi-Sqr( 1) = 10.4977
Schwarz Criterion= 8.8445 Akaike Criterion= 8.7029 Ljung-Box Test: Chi-Sqr( 1) = 12.7471
Max LLF= -83.55584 F-Statistic: F( 2, 12)= 37.2824 Breusch-Godfrey Test: F( 1, 12)= 41.4858, Chi-Sqr( 1) = 11.6346
DW Statistic= 0.81977
Functional Form Test(s):
Residuals Properties Tests: Ramsey RESET Test: F( 1, 12)= 2.8159, Chi-Sqr( 1) = 2.8509
Jarque-Bera Test: Chi-Sqr( 2) = 0.5967
Box-Pierce Test: Chi-Sqr( 1) = 4.0182 Hetroscedasticity Test(s):
Ljung-Box Test: Chi-Sqr( 1) = 4.8792 Breusch-Pagan Test: F( 1, 13)= 2.0254, Chi-Sqr( 1) = 2.0220
Breusch-Godfrey Test: F( 1, 11)= 6.9522, Chi-Sqr( 1) = 5.8089 ARCH Process Test: F( 2, 11)= 7.3958, Chi-Sqr( 2) = 7.4556
Functional Form Test(s): Structural Stability Test, Based On 3 Subperiods
Ramsey RESET Test: F( 1, 11)= 1.2532, Chi-Sqr( 1) = 1.5341 Intercept Parameters: F( 2, 11)= 20.5001
Slope Parameters: F( 2, 9)= 0.9276
Hetroscedasticity Test(s): All Parameters: F( 4, 9)= 10.5788
Breusch-Pagan Test: F( 2, 12)= 3.6125, Chi-Sqr( 2) = 5.6372 Break Point(s): 199201 199701
ARCH Process Test: F( 2, 11)= 0.2251, Chi-Sqr( 2) = 0.5111
Structural Stability Test, Based On 3 Subperiods

Intercept Parameters: F( 2, 10)= 2.6786 Puede observarse como la omisión de una variable relevante ha provocado un claro
Slope Parameters: F( 4, 6)= 3.1489 empeoramiento de los resultados de la estimación. El parámetro que acompaña a la
All Parameters: F( 6, 6)= 3.7596 variable PVAID ha dejado de ser significativo, aún sabiendo de la primera estimación
Break Point(s): 199201 199701
que esta variable es significativa. Esto puede ser debido al incremento en la varianza
(desviación típica) de los estimadores. Es decir, los parámetros han perdido eficiencia
A la luz de la estimación obtenida se puede verificar que, en general, el modelo cumple con esta especificación alternativa. Otros efectos destacables son la pérdida de bondad
con las hipótesis básicas del modelo lineal. Tan sólo la hipótesis de ausencia de en el ajuste (R-Bar-Squared mucho menor, criterios de Akaike y Schwarz con valores
autocorrelación en las perturbaciones aleatorias se ve violada, si bien de una forma poco superiores), el empeoramiento del problema de autocorrelación en las perturbaciones, a
acentuada, según los resultados de los contrastes correspondientes (DW, Box-Pierce, la vista del valor de los estadísticos de los contrastes correspondientes, y, sobre todo,
Ljung-Box, Breusch-Godfrey). Obviando este problema que afecta a la eficiencia de los que se origina un problema de cambio estructural, según el test de Chow, lo que
estimadores de mínimos cuadrados ordinarios, vamos a centrarnos en la significación de conlleva que los estimadores de mínimos cuadrados ordinarios sean sesgados,
los parámetros (prueba de la t), en la desviación típica de éstos (std. error), y en la inconsistentes e ineficientes.
hipótesis de permanencia estructural (test de estabilidad estructural de Chow).
1 2
4
Vamos ahora a estimar una ecuación alternativa en la que la variable relevante omitida
es PVAID. Los resultados obtenidos son los siguientes:
Equation Number: 3
Sample Period: 1987- 2001 Equation Number: 4
Number of Observations: 15 Sample Period: 1987- 2001
Ordinary Least Squares Number of Observations: 15
asalind=C1*pvaind+C2
asalind=C1*vaind+C2*pvaind+C3*pvacst+C4
Parameter T-Statistic Std Error Mean
C1) -4.7425 -1.13616 4.17415 93.432 Parameter T-Statistic Std Error Mean
C2) 2830.1 7.20848 392.60357 1.000 C1) 0.02611 4.67322 0.00559 95802.933
C2) -25.976 -3.52121 7.37710 93.432
Variance= 30556.007397 Dependent Mean= 2386.972 C3) 0.60721 0.10126 5.99640 94.508
Standard Error= 174.802767 Percent Error= 7.32% C4) 2254.9 4.37646 515.22452 1.000
R-Square= 0.0903 R-Bar-Square= 0.0204
Schwarz Criterion=10.5453 Akaike Criterion= 10.4509 Variance= 5497.917369 Dependent Mean= 2386.972
Max LLF= -97.66570 F-Statistic: F( 1, 13)= 1.2909 Standard Error= 74.147942 Percent Error= 3.11%
DW Statistic= 0.34778 R-Square= 0.8615 R-Bar-Square= 0.8237
Schwarz Criterion= 9.0241 Akaike Criterion= 8.8353
Residuals Properties Tests: Max LLF= -83.54885 F-Statistic: F( 3, 11)= 22.8083
Jarque-Bera Test: Chi-Sqr( 2) = 0.9858 DW Statistic= 0.82569
Box-Pierce Test: Chi-Sqr( 1) = 8.2150
Ljung-Box Test: Chi-Sqr( 1) = 9.9753
Breusch-Godfrey Test: F( 1, 12)= 25.6311, Chi-Sqr( 1) = 10.2167 Residuals Properties Tests:
Functional Form Test(s): Box-Pierce Test: Chi-Sqr( 1) = 3.9790
Ramsey RESET Test: F( 1, 12)= 0.6788, Chi-Sqr( 1) = 0.8031 Ljung-Box Test: Chi-Sqr( 1) = 4.8317
Breusch-Godfrey Test: F( 1, 10)= 7.3389, Chi-Sqr( 1) = 6.3489
Hetroscedasticity Test(s):
Breusch-Pagan Test: F( 1, 13)= 2.7228, Chi-Sqr( 1) = 2.5976 Functional Form Test(s):
ARCH Process Test: F( 2, 11)= 7.1634, Chi-Sqr( 2) = 7.3538 Ramsey RESET Test: F( 1, 10)= 1.2168, Chi-Sqr( 1) = 1.6272
Structural Stability Test, Based On 3 Subperiods Hetroscedasticity Test(s):
Intercept Parameters: F( 2, 11)= 7.6018 Breusch-Pagan Test: F( 3, 11)= 2.1684, Chi-Sqr( 3) = 5.5741
Slope Parameters: F( 2, 9)= 3.2707 ARCH Process Test: F( 2, 11)= 0.1998, Chi-Sqr( 2) = 0.4557
All Parameters: F( 4, 9)= 7.0055
Break Point(s): 199201 199701 Structural Stability Test, Based On 3 Subperiods
Intercept Parameters: F( 2, 9)= 2.4045
De nuevo puede observarse como la omisión de una variable relevante provoca un Break Point(s): 199201 199701
empeoramiento de los resultados de la estimación, y de la calidad de los estimadores. El
parámetro que acompaña a la variable VAID deja de ser significativo, lo que puede
deberse al incremento en la varianza (desviación típica) de los estimadores (pérdida de En esta ocasión puede observarse como, en general, las hipótesis básicas del modelo
eficiencia). De nuevo se experimenta una pérdida de bondad en el ajuste (R-Bar- lineal se cumplen, salvo la de ausencia de autocorrelación. Es decir, conserva las
Squared mucho menor, criterios de Akaike y Schwarz con valores superiores), un características técnicas de la primera ecuación estimada. El nivel de bondad es
empeoramiento del problema de autocorrelación en las perturbaciones y, como en la prácticamente semejante. Las diferencias las encontramos en la varianza (desviación
estimación anterior, se origina un problema de cambio estructural, lo que deriva en típica) de los parámetros. Éstos muestran una variabilidad superior, es decir, se ha
estimadores de mínimos cuadrados ordinarios sesgados, inconsistentes e ineficientes. experimentado una pérdida de eficiencia de los estimadores de mínimos cuadrados
ordinarios. Esto puede llevar a resultados erróneos en los test de significación de los
Por último vamos a estimar una cuarta especificación en la, junto a las variables parámetros, catalogando como no significativos parámetros que sí lo son. En este
relevantes VAID y PVAID, se procede a la inclusión de una variable no relevante, ejemplo concreto, no obstante, los parámetros que acompañan a las variables relevantes
que es la variable PVACST (deflactor del valor añadido de la construcción). Los sí son clasificados como importantes por el test t, resultando el parámetro que acompaña
resultados obtenidos son los siguientes: a la variable PVACST, como es lógico, el único no significativo.
3 4
5
AEXO. DATOS UTILIZADOS E LA ESTIMACIÓ.
SERIES: ASALIND UNITS: MILE SOURCE: INE/DGPC

ASALARIADOS INDUSTRIA
ANNUAL DATA
1987/1992 2405.9 2458.4 2553.4 2628.3 2542.1 2421.3
1993/1998 2196.8 2110.2 2129.8 2154.6 2247.1 2373.9
1999/2001 2455.7 2551.1 2576.0
SERIES: VAIND UNITS: MILL SOURCE: INSTITUT

VAB PB INDUSTRIA (INCLUYE ENERGIA). PRECIOS CONSTANTES 1995.
ANNUAL DATA
1987/1992 80863 85030 88203 90142 91904 91604
1993/1998 88393 90044 93145 95016 100117 104791
1999/2002 108857 113138 115797 116491
SERIES: PVAIND SOURCE: E.P.

DEFLACTOR VAB PB INDUSTRIA (INCLUYE ENERGIA).
ANNUAL DATA
1987/1992 73.35 75.91 80.25 83.54 87.07 89.68
1993/1998 93.03 95.01 100.00 102.94 103.99 103.36
1999/2002 102.52 104.50 106.31 108.57
SERIES: PVACST SOURCE: E.P.

DEFLACTOR VAB PB CONSTRUCCION.
ANNUAL DATA
1987/1992 59.57 65.69 72.08 79.50 86.09 90.11
1993/1998 93.69 95.68 100.00 102.49 104.55 106.91
1999/2002 111.41 120.96 128.89 137.70
5
6
Elementos de Econometría La representación de la serie sugiere el comportamiento de la serie conforme a una
Tema 1 Ejemplo de especificación no-lineal. curva logística, típica de los ciclos de vida de los productos. Actualmente el producto se
halla en fase de estancamiento, próxima al declive.
Dada la serie de ventas yt del producto ACME de la empresa ACME S.A., estime un
modelo de tendencia de la serie en función del tiempo. Diagnostique la fase del ciclo de Estimación mediante aproximación lineal
vida en la que dicho producto se encuentra en la actualidad y realice una previsión de
ventas para los 5 próximos períodos
Curva Logística
Ventas del producto ACME

Expresión matemática:
Período (Año) t y(t)
1981 1 11
1982 2 14 yt = y* / 1+be-rt r,b,by*>0
1983 3 18
1984 4 23
1985 5 29
1986 6 35
Aproximación lineal:
1987 7 42 ln (yt / yt-1 )=α + βyt-1 + ut
1988 8 50
1989 9 57
1990 10 64
1991 11 71
1992 12 76
1993 13 81
1994 14 85
1995 15 89
1996 16 91 Transformaciones:
1997 17 93
1998 18 95 t y(t) y(t-1) y(t)/y(t-1) ln(y(t)/y(t-1))
1999 19 96 1 11 ------ ------ ------
2000 20 97 2 14 11 1,2727 0,2412
3 18 14 1,2857 0,2513
4 23 18 1,2778 0,2451
5 29 23 1,2609 0,2318
Solución: 6 35 29 1,2069 0,1881
7 42 35 1,2000 0,1823
8 50 42 1,1905 0,1744
9 57 50 1,1400 0,1310
Representación de la Serie 10 64 57 1,1228 0,1158
11 71 64 1,1094 0,1038
12 76 71 1,0704 0,0681
100 13 81 76 1,0658 0,0637
90
14 85 81 1,0494 0,0482
80
70 15 89 85 1,0471 0,0460
60 16 91 89 1,0225 0,0222
50 S e r ie 1
17 93 91 1,0220 0,0217
40
30 18 95 93 1,0215 0,0213
20 19 96 95 1,0105 0,0105
10
20 97 96 1,0104 0,0104
0
1 3 5 7 9 11 13 15 17 19
estimación mínimo-cuadrática: ln(y(t)/y(t-1)=0,285985697-0,002907958*y(t-1)+ û(t)
1 2
7
Previsión
T est ln(y(t)/y(t-1)) est y(t)/y(t-1) est y(t)
1 ------ ------ ------
2 0,2540 1,2892 14,1809
3 0,2453 1,2780 17,8916
4 0,2336 1,2632 22,7375
5 0,2191 1,2450 28,6341
6 0,2017 1,2234 35,4793
7 0,1842 1,2023 42,0793
8 0,1639 1,1780 49,4777
9 0,1406 1,1510 57,5475
10 0,1202 1,1278 64,2822
11 0,0999 1,1050 70,7222
12 0,0795 1,0828 76,8765
13 0,0650 1,0671 81,1025
14 0,0504 1,0517 85,1905
15 0,0388 1,0396 88,3636
16 0,0272 1,0276 91,4520
17 0,0214 1,0216 92,9648
18 0,0155 1,0157 94,4570
19 0,0097 1,0098 95,9288
20 0,0068 1,0068 96,6571
21 0,0039 1,0039 97,3804
22 0,0028 1,0028 97,6542
23 0,0020 1,0020 97,8508
24 0,0014 1,0014 97,9918
25 0,0010 1,0010 98,0927
Representación serie real (1) y serie estimada (2)
100
90
80
70
60
50
40
30
20
10
S e r ie 1
0
1 3 5 7 9 11 13 15 17 19 21 23 S e r ie 2
3
8
Elementos de Econometría Cuadro1: RESULTADOS DE LAS REGRESIO ES CO EL PIB86
COMOVARIABLE E DÓGE A
Tema 1 Ejemplo de problemática de multicolinealidad.
º Término Exp86 M2 GP86 PrImp R2
regresión cte.
I 1453.4 0.00178 -0.20951 7.9594 -7.6171 0.9855
(1.17045) (1.51438) (-3.17185) (1.60275) (-1.89831)
II 2923.0 -0.00038 -0.05702 5.1751 0.9798
(5.78149) (-0.35831) (-1.23513) (6.14769)
III 5826.1 -0.00218 0.20264 6.2120 0.9555
Se ha estimado por MCO el siguiente modelo econométrico para la economía española (34.39128) (-1.25605) (5.47524) (2.28354)
IV 3483.7 -0.00102 4.3461 -0.97726 0.9786
en el período 1970-1995: (14.91617) (-1.09673) (9.27892) (-0.51761)
V 2022.0 -0.13454 7.0288 -5.0973 0.9840
(3.54450) (-2.98997) (6.58671) (-2.43513)
VI 5960.4 -0.00045 0.18407 0.9450
(34.48898) (-0.26485) (4.68673)
PIB86t = β0 + β1 Exp86t + β2 M2t + β3 GP86t + β4 PrImpt + ut VII 3480.8 -0.00106 4.2919 0.9784
(15.15118) (-1.16692) (9.55443)
VIII 5417.3 0.00687 2.9392 0.8949
(23.69775) (8.55343) (0.73673)
donde: IX 2893.8 -0.06569 5.1784 0.9796
PIB86: producto interior bruto a precios de mercado en miles de millones de ptas. constantes 1986. (5.91254) (-1.70290) (6.27207)
Exp86: exportaciones totales en millones de ptas. constantes de 1986. X 5731.3 0.15841 4.7204 0.9523
M2: oferta monetaria. Miles de millones de ptas. (37.32478) (13.74747) (1.90492)
GP86: gasto público en miles de millones de ptas. constantes de 1986. XI 5502.7 0.00732 0.8924
PrImp: deflactor de las importaciones, base 1986. (28.19536) (14.11110)
XII 5928.0 0.17393 0.9448
(49.51726) (20.27027)
XIII 3695.9 3.7859 0.9771
(26.74368) (31.98013)
XIV 5602.9 28.814 0.5607
Existen sospechas de la existencia de problemas de multicolinealidad en el modelo, (12.30000) (5.53411)
porque al estimarlo se ha observado que, junto a un coeficiente de correlación elevado En cada casilla viene el valor estimado del parámetro y, debajo entre paréntesis, el valor del estadístico t.
R2: coeficiente de determinación.
(R2=0.9855), se han obtenido unos valores de la t de Student para el contraste de Fuente: Dirección General de Previsión y Coyuntura.
significatividad individual de los parámetros que nos llevan a aceptar la hipótesis nula Nota: Los datos han sido anualizados.
(parámetro no significativo) en la mayor parte de las ocasiones (véanse los resultados de
la primera estimación (I)).
Los intervalos dentro de los cuales se mueven las estimaciones de los coeficientes han
sido:
Dadas estas sospechas de existencia de multicolinealidad, se han estimado modelos Exp86: (-0.00038; 0.00732)
alternativos para ver la sensibilidad de los estimadores ante cambios introducidos en la M2: (-0.20951; 0.20264)
especificación del modelo original. Con los siguientes resultados: GP86: (3.7859; 7.9594)
PrImp: (-7.6171; 28.814)
Esta variabilidad es bastante amplia, e incluso en la mayoría de los casos se produce un

cambio de signo. Esto es un signo de la existencia de multicolinealidad, pues los
estimadores obtenidos suelen ser inestables ante la eliminación de alguna variable en la
especificación del modelo. Los coeficientes de correlación simple entre las variables del
modelo nos indican que la multicolinealidad puede estar provocándola la variable que
representa la oferta monetaria (M2), pues parece es la que ofrece unos coeficientes de
correlación más elevados respecto al resto de las variables explicativas del modelo:
1 2
9
Cuadro 2: MATRIZ DE CORRELACIO ES PARCIALES
E TRE LAS VARIABLES DEL MODELO
PIB86 EXP86 M2 GP86 PRIMP

PIB86 1 0,94466327 0,97200153 0,98846081 0,74874531
EXP86 1 0,97485848 0,96518269 0,75824445
M2 1 0,99042665 0,70725631
GP86 1 0,76997523
PRIMP 1
Matriz simétrica.
Las correlaciones existentes entre la variable oferta monetaria (M2) y cada una de las
demás variables explicativas es, en muchos casos, mayor que la propia correlación
existente entre cada una de esas variables con la variable endógena del modelo (PIB86).
Por estos motivos se ha realizado el siguiente cuadro donde aparecen los coeficientes de
determinación de las regresiones de la variable oferta monetaria (M2) como variable
dependiente y las demás variables explicativas del modelo original (todas juntas y por
grupos).
Cuadro 3: COEFICIE TES DE DETERMI ACIÓ E REGRESIO ES E LAS QUE

APARECE LA VARIABLE M2 (Oferta monetaria) COMO VARIABLE DEPE DIE TE
Término Exp86 GP96 PrImp R2

constante
X X X X 0.9949
X X X 0.9527
X X X 0.9862
X X X 0.9885
X X 0.9503
X X 0.9809
X X 0.5450
X: variables incluidas en la estimación.
Es difícil la elección de uno u otro modelo del Cuadro 1, puesto que la eliminación de
alguna de las variables puede provocar sesgos importantes en los estimadores (por la
omisión de alguna variable relevante). En cualquier caso, la gravedad del problema de
la multicolinealidad dependerá de la utilización que se le vaya a dar al modelo. Si el
modelo se ha elaborado para previsión, el problema de la multicolinealidad no es grave,
puesto que el ajuste posee una bondad elevada. Si se pretende utilizar el modelo para
análisis estructural, la multicolinealidad será un problema muy grave, pues como se ha
visto los parámetros estimados son muy sensibles ante pequeños cambios en la
especificación del modelo.
3
10
Elementos de Econometría Para ejemplificar la modelización en condiciones de cambio estructural se propone la
Tema 2 Ejemplo de problemática del Cambio Estructural: modelo del estimación de una ecuación en la que el Deflactor del Consumo Privado acional se
deflactor del Consumo Privado Nacional. determina en función de los deflactores del Valor Añadido de la Industria, Valor
Añadido de los Servicios y de las Importaciones de Bienes, según la especificación
propuesta en el Bloque Precios del modelo Hispania1. Las series de datos del modelo
son:
La existencia de cambio estructural es un problema técnico de primer orden desde el
punto de vista de la estimación, puesto que supone la obtención de parámetros sesgados.
Además, el cambio estructural suele llevar asociados otros problemas técnicos, como PCPN DEFLACTOR CONSUMO PRIVADO NACIONAL 1964-1997 E.P. Units:IND
puede ser heteroscedasticidad. PIMG DEFLACTOR IMPORTACIONES DE BIENES 1964-1997 E.P. Units:IND
PVAIND DEFLACTOR VAB INDUSTRIA 1964-1997 E.P. Units:IND
PVASER DEFLACTOR VAB SERVICIOS 1964-1997 E.P. Units:IND
El cambio estructural puede deberse a que la realidad que se pretende representar es
demasiado compleja para la especificación del modelo básico. En este sentido, debe
recordarse la adopción de la hipótesis de constancia en los coeficientes del modelo, lo En primer lugar se estimará el modelo mediante Mínimos Cuadrados Ordinarios. Se
que supone una cierta estabilidad en la evolución de la realidad a representar. contrastará y se verificará la existencia de un problema de Cambio Estructural.
En la práctica, una vez el test de Estabilidad Estructural detecta el problema, puede Posteriormente se procederá a eliminar el problema, y se presentará el modelo re-
procederse de distintas formas según el motivo del cambio estructural: estimado.
• Si se sospecha que el Cambio Estructural viene motivado por la omisión de

variables relevantes, debe revisarse la elección de variables explicativas.
• Si se sospecha que el Cambio Estructural viene motivado por la elección de

una forma funcional incorrecta, debe intentarse la especificación de una
forma funcional distinta. Ciertas variables económicas evolucionan de forma
no-lineal, como es el caso del comportamiento exponencial. En este caso,
puede intentarse especificar una forma funcional no-lineal (aunque
linealizada), por ejemplo, con la inclusión de logaritmos en las variables.
• El estudio de los gráficos de las series de la endógena real y estimada, así

como de los resíduos, puede delatar cambios bruscos en el comportamiento
de la realidad a representar (puntos de ruptura). Estos puntos de ruptura
suponen la imposibilidad de mantener la hipótesis de constancia en los
parámetros del modelo. En este caso debe procederse a la identificación del
punto de ruptura. Si estos puntos de ruptura posibilitan la división de la
muestra en submuestras con suficientes datos (grados de libertad), se
estimará el modelo para cada uno de los distintos tramos.
• A veces, tanto si el procedimiento anterior no es posible por falta de datos

(grados de libertad), como si el cambio estructural se debe a puntos
‘erráticos’ o ‘irregulares’ localizados en la muestra (años en los que se
presenta un comportamiento excepcional de las variables); pueden incluirse
en la muestra variables ‘ficticias’ o ‘dicotómicas’, que diferencien los
distintos comportamientos de las variables a lo largo de la muestra, o bien
esas observaciones ‘excepcionales’ (este procedimiento es una forma
operativa de la switching regression).
1
Véase MARTÍNEZ AGUADO et al. (1999) Proyecto ECOOMETRIST. D11: Ejemplo de
Aplicación acional. SEC-UCLM. Toledo.
1 2
11
Estimación y Contraste del Modelo Inicial.
En el siguiente estimación se presentará la estimación correspondiente a la

especificación:
PCP = f(PVAID,PVASER,PIMG)
Equation Number: 1
Sample Period: 1964- 1997
Number of Observations: 34
PCPN=C1*PVAIND+C2*PVASER+C3*PIMG+C4

C1) 0.29978 8.07860 0.03711 66.721
C2) 0.65033 27.52125 0.02363 72.641
C3) 0.03776 3.13192 0.01206 64.611
C4) 0.72433 2.31362 0.31307 1.000
Variance= 0.587489 Dependent Mean= 70.407 . Las conclusiones de la fase de contrastación del modelo se sintetizan en la siguiente
Standard Error= 0.766478 Percent Error= 1.09% tabla (a un nivel de confianza del 95%, salvo el test de significación conjunta de los
R-Square= 0.9998 R-Bar-Square= 0.9998 parámetros, realizado al 99% de nivel de confianza):
Max LLF= -37.07386 F-Statistic: F( 3, 30)= 61253.5895
Test Valor estadístico Valor tablas Conclusión
Residuals Properties Tests: Test de Significación Individual de los Parámetros del Modelo.
Jarque-Bera Test: Chi-Sqr( 2) = 14.8911 8.07860 2.042 Significativo
C1)
Ljung-Box Test: Chi-Sqr( 1) = 13.3565 C2) 27.52125 2.042 Significativo
Breusch-Godfrey Test: F(1, 29)= 22.0488, Chi-Sqr( 1) = 14.6851 C3) 3.13192 2.042 Significativo
C4) 2.31362 2.042 Significativo
Ramsey RESET Test: F(1, 29)= 15.9936, Chi-Sqr( 1) = 12.0858 Test de Significación Conjunta de los Parámetros del Modelo.
Test F 61253.5895 4.51 Significativo
Hetroscedasticity Test(s): Test de Normalidad de los Residuos.
Breusch-Pagan Test: F( 3, 30)= 6.2213, Chi-Sqr( 3) = 13.0399 Jarque-Bera 14.8911 5.99 No normalidad
Test de Autocorrelación en los Residuos.
Structural Stability Test, Based On 3 Subperiods Durbin-Watson 0.68637 1.27 – 1.65 Autocorrelación
Intercept Parameters: F( 2, 28)= 1.0367 Box-Pierce 12.2435 3.84 Autocorrelación
Slope Parameters: F( 6, 22)= 38.4764 Ljung-Box 13.3565 3.84 Autocorrelación
Break Point(s): 197601 198701 Breusch-God. (X2) 14.6851 3.84 Autocorrelación
Test de Forma Funcional.
Ramsey (X2) 12.0858 5.99 F. Func. Incorrecta
Con el siguiente gráfico de endógena real/estimada y resíduos: Tests de Heteroscedasticidad.
Breusch-Pagan (X2) 13.0399 7.81 Heteroscedasticidad
Arch Process (X2) 10.3478 3.84 Heteroscedasticidad
Tests de Estabilidad Estructural.
Chow (All Param.) 31.1978 2.40 Cambio Estructural
3 4
12
Corrección del Modelo.
Como puede comprobarse, no se cumple ninguna de las hipótesis básicas. El modelo,
desde el punto de vista técnico, adolece de unos parámetros estimados sesgados, Uno de los posibles orígenes del Cambio Estructural en el modelo puede ser una
ineficientes e inconsistentes. especificación errónea, tanto desde el punto de vista de la omisión de variables
relevantes como desde el punto de vista de la forma funcional.
Ante un panorama así, es preciso intentar subsanar los problemas de los que adolece el
modelo de una forma jerarquizada. El problema más grave es, desde el punto de vista El primer caso parece estar descartado, debido al soporte teórico de la especificación,
teórico, el cambio estructural, que provoca el sesgo en los estimadores MCO. En un avalado por la elevada bondad del ajuste.
segundo rango están los problemas relacionados con la perturbación aleatoria
(resíduos), que provocan parámetros ineficiencientes. En cuanto al segundo caso, el resultado del test referido a la forma funcional (Ramsey-
RESET), parece indicar una forma funcional incorrecta.
Además, desde el punto de vista práctico, el cambio estructural puede estar detrás del
incumplimiento de las demás hipótesis del modelo lineal.
Cambio de la Forma Funcional.
Por tanto, es preciso comenzar a modificar el modelo acometiendo la problemática del
cambio estructural, lo que se desarrolla en el siguiente epígrafe. Puede intentar plantearse la ecuación con una forma funcional alternativa. En la
práctica, una forma de plantear una forma funcional alternativa no lineal (pero
‘linealizada’), es la especificación de las variables en logaritmos neperianos:
Equation Number: 2
ln(PCPN)=C1*ln(PVAIND)+C2*ln(PVASER)+C3*ln(PIMG)+C4

C1) 0.64975 11.86878 0.05474 3.838
C2) 0.39888 9.82259 0.04061 3.756
C3) -0.02624 -1.54899 0.01694 3.829
C4) -0.08215 -1.92806 0.04261 1.000
Variance= 0.000250 Dependent Mean= 3.809

Max LLF= 94.91358 F-Statistic: F( 3, 30)= 48200.1088
Residuals Properties Tests:

Breusch-Godfrey Test: F(1, 29)= 31.0433, Chi-Sqr( 1) = 17.5785

Ramsey RESET Test: F(1, 29)= 45.0144, Chi-Sqr( 1) = 20.6783
Breusch-Pagan Test: F( 3, 30)= 1.3846, Chi-Sqr( 3) = 4.1350

Break Point(s): 197601 198701
5 6
13
Con los que se obtienen los siguientes resultados en la fase de contraste:
Test de Significación Individual de los Parámetros del Modelo.

C3) -1.54899 2.042 No Significativo
C4) -1.92806 2.042 No Significativo
Test de Significación Conjunta de los Parámetros del Modelo.
Test de Normalidad de los Residuos.
Jarque-Bera 3.0699 5.99 Normalidad
Durbin-Watson 0.55307 1.27 – 1.65 Autocorrelación
Box-Pierce 14.3300 3.84 Autocorrelación
Ljung-Box 15.6328 3.84 Autocorrelación
Breusch-God. (X2) 17.5785 3.84 Autocorrelación La representación de las tasas de variación anual de la serie también puede ayudar a
Test de Forma Funcional. mostrar distintos patrones de comportamiento:
Tests de Heteroscedasticidad.
Breusch-Pagan (X2) 4.1350 7.81 Homoscedasticidad
Arch Process (X2) 9.5070 3.84 Heteroscedasticidad
Chow (All Param.) 9.1388 2.40 Cambio Estructural
Como conclusión puede afirmarse que no se aporta una mejora sustancial en la calidad
técnica del modelo. Persiste (si bien ha disminuido el valor del estadístico) el problema
de Cambio Estructural. En cuanto al resto de hipótesis, se ha corregido la normalidad de
los resíduos, y la heteroscedasticidad del tipo detectado por el test de Breusch-Pagan
(dado que los logaritmos ‘suavizan’ la dispersión de las variables). Pero persisten los
resultados de autocorrelación y forma funcional incorrecta, además de que dos de los
parámetros estimados pasan a ser no significativos.
División de la Muestra.
Los resultados anteriores pueden indicar el hecho de que el origen del problema del Pueden distinguirse cuatro comportamientos: en los años 60 (descenso de las tasa de
Cambio Estructural puede estar en un cambio en la estructura real del Deflactor del crecimiento de PCPN), durante los 70 (aumento acusado de la tasa), finales de los 70 a
Consumo Privado Nacional a lo largo del tiempo. mediados de los 80 (descenso acusado de la tasa), y desde mediados de los 80 hasta
1997 (estabilidad-descenso moderado). Como nuestro objetivo es modelizar el
Una forma de intentar distinguir distintos patrones de comportamiento (estructuras) del comportamiento o estructura más reciente de la variable endógena, vamos a centrarnos
PCPN puede venir de la mano de un análisis gráfico. en las dos últimas zonas. El gráfico de tasas de variación de PCPN en estos dos periodos
se muestra a continuación:
El gráfico de la variable PCPN muestra una evolución próxima a la curva logística,
durante el período muestral (1964-1997):
7 8
14
Lo más destacable es el resultado del test de Estabilidad Estructural, que sigue
diagnosticando cambio estructural al superar el valor del estadístico de Chow (all
parameters) al valor tabulado de la distribución F (3.44).
Por tanto, vamos a proceder a estimar tomando sólo los datos más recientes, esto es, de
1986 a 1997. Los resultados de la estimación son los siguientes:
Equation Number: 4
pcpn=C1*pvaind+C2*pvaser+C3*pimg+C4

C1) 0.43921 3.98414 0.11024 125.588
C2) 0.51755 8.99033 0.05757 147.075
Para asegurarnos de la existencia de un punto de ruptura alrededor de 1986 se estimará C3) 0.27651 11.98964 0.02306 107.737
el modelo para el período 1978-1997: C4) -22.873 -4.16018 5.49799 1.000

Equation Number: 3 Standard Error= 0.359306 Percent Error= 0.26%
Sample Period: 1978- 1997 R-Square= 0.9999 R-Bar-Square= 0.9998
Number of Observations: 20 Max LLF= -2.31150 F-Statistic: F( 3, 8)= 19566.8843
Ordinary Least Squares DW Statistic= 2.61881
pcpn=C1*pvaind+C2*pvaser+C3*pimg+C4 Residuals Properties Tests:
Parameter T-Statistic Std Error Mean Box-Pierce Test: Chi-Sqr( 1) = 2.0543
C1) 0.31485 6.31422 0.04986 100.851 Ljung-Box Test: Chi-Sqr( 1) = 2.6145
C2) 0.63946 19.93984 0.03207 113.913 Breusch-Godfrey Test: F( 1, 7)= 3.5945, Chi-Sqr( 1) = 4.0714
C3) 0.04657 2.69447 0.01728 97.143
C4) -0.48201 -0.44816 1.07555 1.000 Functional Form Test(s):
Ramsey RESET Test: F( 1, 7)= 4.8641, Chi-Sqr( 1) = 4.9198
Standard Error= 0.994002 Percent Error= 0.91% Hetroscedasticity Test(s):
R-Square= 0.9996 R-Bar-Square= 0.9995 Breusch-Pagan Test: F( 3, 8)= 0.5150, Chi-Sqr( 3) = 1.9425
Max LLF= -26.02702 F-Statistic: F( 3, 16)= 12266.1707 ARCH Process Test: F( 2, 8)= 0.6702, Chi-Sqr( 2) = 1.4350
Residuals Properties Tests: Intercept Parameters: F( 1, 7)= 0.3313
Jarque-Bera Test: Chi-Sqr( 2) = 3.2859 Slope Parameters: F( 3, 4)= 0.6484
Box-Pierce Test: Chi-Sqr( 1) = 6.5190 All Parameters: F( 4, 4)= 0.5566
Ljung-Box Test: Chi-Sqr( 1) = 7.5483 Break Point(s): 199201


Break Point(s): 198601 199201
9 10
15
Como puede comprobarse, el test de Chow confirma Estabilidad Estructural, con lo que
se cumple (al 95% de nivel de confianza) la hipótesis más importante del modelo lineal,
y por tanto se asegura la propiedad de insesgadez de los parámetros estimados. En
cuanto a las demás hipótesis básicas, se ha corregido la heteroscedasticidad lográndose
una estimación en condiciones de homoscedasticidad (cambio estructural y
heteroscedasticidad suelen presentarse como problemas ligados). No se descarta la
existencia de autocorrelación, dependiendo del resultado de los distintos tests. Se
recupera la normalidad en las perturbaciones. En cambio, el test de forma funcional
sigue mostrando una elección incorrecta de ésta. En cuanto a la significación estadística
de los parámetros, todos son significativos.
Utilización de variables ficticias (dicotómicas).
A veces no es posible dividir la muestra por los puntos de ruptura estructural debido a
que ocasiona problemas de muestras pequeñas. En estos casos una opción puede ser la
inclusión en la especificación de una variable ficticia, dicotómica o dummy, que tome
valores 0 ó 1 para cada año, según dicha observación pertenezca a una u otra estructura.
La fase de contrastación aporta los siguientes resultados: Otro caso de empleo de variable ficticia es su inclusión en la especificación del modelo
para recoger el efecto de observaciones erráticas o especiales a lo largo de la muestra.
La variable tomará valor 0 en todas sus observaciones salvo en el caso del punto
excepcional, donde tomará valor 1.
Vamos a estimar el modelo del PCPN con los datos del período 1978-1997, incluyendo
3.98414 2.306 Significativo
una variable ficticia (DUM86) que tomará valores 0 en el tramo 1978-1985 y valor 1 en
C1) el tramo 1986-1997:
C3) 11.98964 2.306 Significativo Equation Number: 5
C4) -4.16018 2.306 Significativo Sample Period: 1978- 1997
Test de Significación Conjunta de los Parámetros del Modelo. Number of Observations: 20
19566.8843 7.59 Significativo Ordinary Least Squares
Test F
Test de Normalidad de los Residuos. pcpn=C1*pvaind+C2*pvaser+C3*pimg+C4*dum86+C5
Jarque-Bera 0.6173 5.99 Normalidad
Test de Autocorrelación en los Residuos. Parameter T-Statistic Std Error Mean
2.61881 0.658 – 1.864 Zona de duda C1) 0.04631 0.37234 0.12438 100.851
Durbin-Watson C2) 0.75811 12.91128 0.05872 113.913
3.243 – 2.136
C3) 0.12188 3.38305 0.03603 97.143
Box-Pierce 2.0543 3.84 Incorrelación C4) 4.9497 2.30992 2.14280 0.600
Ljung-Box 2.6145 3.84 Incorrelación C5) 2.7986 1.63575 1.71092 1.000
Breusch-God. (X2) 4.0714 3.84 Autocorrelación
Test de Forma Funcional. Variance= 0.777382 Dependent Mean= 108.638
Ramsey (X2) 4.9198 3.84 F. Func. Incorrecta R-Square= 0.9997 R-Bar-Square= 0.9996
Tests de Heteroscedasticidad. Max LLF= -22.98372 F-Statistic: F( 4, 15)= 11693.9155
Breusch-Pagan (X2) 1.9425 7.81 Homoscedasticidad DW Statistic= 1.07650
Arch Process (X2) 1.4350 5.99 Homoscedasticidad
Tests de Estabilidad Estructural. Residuals Properties Tests:
Chow (All Param.) 0.5566 6.39 Estabilidad Jarque-Bera Test: Chi-Sqr( 2) = 2.8632
Estructural Box-Pierce Test: Chi-Sqr( 1) = 3.4030
11 12
16
Functional Form Test(s): Anexo. Series de Datos del Modelo del PCPN.
Structural Stability Test, Based On 3 Subperiods SERIES: PCPN UNITS: IND SOURCE: E.P.
Intercept Parameters: F( 2, 13)= 1.2164 DEFLACTOR CONSUMO PRIVADO NACIONAL
Slope Parameters: F( 8, 5)= -0.6250 Last Revised: 7/18/00 Last Extended: 7/04/00
All Parameters: F(10, 5)= -0.5000
Break Point(s): 198601 199201 ANNUAL DATA
1964/1969 8.89 9.77 10.45 11.05 11.62 11.99
1970/1975 12.71 13.69 14.74 16.41 19.32 22.32
1976/1981 25.97 32.14 38.28 44.60 51.61 59.13
1982/1987 67.77 76.28 85.34 91.40 100.00 105.71
Por motivo de la mecánica interna de cálculo del test de Chow, este toma en el 1988/1993 111.00 118.36 126.03 134.09 142.71 150.66
estadístico un valor negativo, lo que puede inducir a una interpretación errónea de la 1994/1997 157.99 165.42 171.03 175.35
prueba de estabilidad estructural.
SERIES: PVAIND UNITS: IND SOURCE: E.P.

DEFLACTOR VAB INDUSTRIA
Last Revised: 7/04/00 Last Extended: 7/04/00
ANNUAL DATA
1964/1969 11.70 11.93 12.61 13.21 13.74 14.32
1970/1975 14.91 15.70 16.63 18.12 21.28 24.67
1976/1981 28.64 34.03 39.81 45.51 51.80 57.93
1982/1987 66.42 73.93 84.61 89.96 100.00 103.90
1988/1993 107.17 113.55 118.57 125.02 129.71 133.98
1994/1997 137.28 143.22 146.47 148.18
SERIES: PVASER UNITS: IND SOURCE: E.P.

DEFLACTOR VAB SERVICIOS
ANNUAL DATA
1964/1969 6.25 7.15 7.80 8.82 9.49 10.00
1970/1975 10.85 11.85 13.08 14.66 17.12 20.29
1976/1981 24.11 30.09 37.23 44.65 51.85 59.75
1982/1987 67.40 76.26 84.48 91.74 100.00 106.35
1988/1993 113.24 120.92 131.92 143.31 156.29 165.30
1994/1997 171.30 179.48 185.98 190.81
Referencias:
INTRILLIGATOR, BODKIN, HSIAO (1996) Econometric Models,
SERIES: PIMG DEFLACTOR DE LAS IMPORTACIONES DE BIENES
Techniques and Applications. Prentice Hall. New Jersey. Last Revised: 7/18/00 Last Extended: 7/18/00
MARTÍNEZ AGUADO et al. (1999) Proyecto ECONOMETRIST. D11: ANNUAL DATA

Ejemplo de Aplicación Nacional. SEC-UCLM. Toledo. 1964/1969 11.75 11.85 11.86 12.13 13.59 13.97
1970/1975 14.34 15.05 15.20 16.83 24.52 26.07
TARANCÓN MORÁN, M.A. (2000) Practicas de Econometría para PC. 1976/1981 30.07 36.70 39.48 42.20 59.34 77.71
Seminario de Economía Cuantitativa. Universidad de Castilla – La 1982/1987 87.45 105.12 118.36 120.35 100.00 100.37
1988/1993 101.40 103.69 102.24 101.35 100.66 106.25
Mancha. Toledo. 1994/1997 112.99 118.86 120.29 124.72
13 14
17
Tema 2 Ejemplo de problemática del Cambio Estructural (II): modelo Puede observarse como el test de estabilidad estructural (test de Chow) muestra un valor
de los Asalariados en la Construcción. del estadístico calculado superior al valor tabulado de la distribución F, que al 95% de
probabilidad es de 2.92. Por tanto, de este test podemos concluir que existe un problema
de cambio estructural. Además, existen problemas de heteroscedasticidad y
En este ejercicio se plantean distintas especificaciones de un modelo econométrico autocorrelación en las perturbaciones. Recordemos que en ocasiones el problema del
uniecuacional que explica el comportamiento de la variable Asalariados en el Sector cambio estructural provoca problemas adicionales de cumplimiento de las hipótesis
Construcción (ASALCST). A raíz de las estimaciones correspondientes, abordaremos básicas del modelo lineal relativas al vector de perturbaciones.
distintas estrategias para la solución del problema del cambio estructural.
Por otro lado, el test de Ramsey indica, aunque por una diferencia mínima respecto al
valor tabulado (3.84 al 95%), la existencia de una forma funcional inapropiada. La
Modelo Inicial y Diagnóstico: cambio estructural de tipo representación gráfica de la variable endógena (Actuals), de su estimación según el
modelo (Predicted), y de los residuos pueden ayudarnos a dilucidar el origen del cambio
continuo vs cambio estructural de tipo discreto. estructural.
En la primera especificación se han incluido como variables explicativas dos variables

de oferta: el valor añadido a precios constantes de la construcción (VACST), y el
deflactor de dicho valor añadido (PVACST).
Los resultados de la estimación del modelo por mínimos cuadrados ordinarios (MCO)
se muestran a continuación:
Equation Number: 1
asalcst=C1*vacst+C2*pvacst+C3

C1) 0.05005 9.82175 0.00510 29430.864
C2) -4.0496 -3.86302 1.04830 78.117
C3) -291.90 -3.63645 80.26950 1.000

DW Statistic= 0.63263 La observación del comportamiento de la variable ASALCST a lo largo del tiempo
Residuals Properties Tests: muestra una tendencia próxima a la exponencial, lo que podría originar un cambio
Jarque-Bera Test: Chi-Sqr( 2) = 0.8707 estructural de tipo continuo (es decir, un cambio lento y constante de los parámetros
poblacionales que determinan la estructura económica de la variable endógena)
Breusch-Godfrey Test: F( 1, 18)= 18.1723, Chi-Sqr( 1) = 11.0524 motivado por el planteamiento de una forma funcional lineal incapaz de representar este
comportamiento no-lineal.
Por otro lado, el gráfico de los residuos evidencia un cambio en su patrón de
Hetroscedasticity Test(s): comportamiento a partir del año 1989, lo que nos daría indicios sobre la existencia de
ARCH Process Test: F( 2, 18)= 0.3915, Chi-Sqr( 2) = 0.8337 un cambio estructural de tipo discreto (es decir, un cambio en el valor de los
parámetros poblacionales relativamente grande y de forma brusca), cuyo punto de
Structural Stability Test, Based On 3 Subperiods ruptura sería ese año.
All Parameters: F( 6, 13)= 7.1464 Por supuesto, ambos tipos de cambio estructural no son excluyentes. Por ejemplo, los
Break Point(s): 198801 199501 procesos de innovación tecnológica incremental basados en el learning-by-doing
1 2
18
pueden impulsar cambios progresivos y continuos en las relaciones económicas en las Functional Form Test(s):
que se inscribe el número de asalariados en un determinado sector productivo. Pero
también estas relaciones pueden verse sorprendidas por shocks, como por ejemplo Hetroscedasticity Test(s):
fuertes subidas en el precio de las fuentes de energía, o bien por cambios en la Breusch-Pagan Test: F( 2, 19)= 1.4051, Chi-Sqr( 2) = 2.8347
regulación del sector, que hacen que la estructura económica cambie de forma más o
menos radical (entrada en la Unión Europea, por ejemplo). Es decir, ambos tipos de Structural Stability Test, Based On 3 Subperiods
cambio estructural pueden superponerse a lo largo del tiempo. Intercept Parameters: F( 2, 17)= 3.6125
Las soluciones en la modelización planteadas para afrontar cada tipo de cambio Break Point(s): 198801 199501
estructural tampoco son ni exclusivas ni excluyentes. Es decir, una solución ideada a
priori para modelizar bajo un tipo de cambio puede funcionar ad hoc eficazmente en el Los resultados muestran que el problema de cambio estructural se ha subsanado,
otro tipo. Y además, estas soluciones a veces deben ser aplicadas conjuntamente, presentando el estadístico de Chow un valor inferior al tabulado de la distribución F
dependiendo de la situación concreta del modelo que estamos construyendo. (2.92 al 95%). Y no sólo eso, también se han corregido el resto de problemas
relacionados con las hipótesis básicas del modelo lineal: no existe heteroscedasticidad
Teniendo en cuenta estas premisas, en los dos siguientes apartados ilustraremos técnicas ni autocorrelación en las perturbaciones aleatorias. Además, puede observarse como el
propias de la modelización en condiciones de cambio estructural de tipo continuo. En test de Ramsey muestra un valor del estadístico por debajo del valor tabulado, por lo
los dos últimos apartados, por otro lado, se mostrarán técnicas de modelización que podemos concluir que la forma funcional planteada ahora es más correcta que la
pensadas para asumir en la modelización un cambio estructural de tipo discreto. anterior.
Planteamiento de una forma funcional alternativa. Explicación del cambio estructural.
Primero vamos a suponer que el cambio estructural es de tipo continuo, y está originado Otra alternativa, cuando pensamos que existe cambio estructural de tipo continuo, esto
por una mala especificación de la forma funcional. Vamos a plantear ahora una forma es, caracterizado por un cambio lento pero constante de los valores de los parámetros
funcional alternativa, “linealizando” el comportamiento exponencial de la variable poblacionales, es el planteamiento de un modelo en el que ese cambio en los parámetros
ASALCST. Esto, en la práctica, supone la especificación del modelo lineal con las viene explicado por alguna variable. Es decir, si partimos del modelo lineal de
variables transformadas según la transformación logarítmica. parámetros cambiantes:
Los resultados de la estimación del modelo con las variables en logaritmos se muestra a y t = xt1 β 1t + xt 2 β 2t + ... + xtk β kt + u t
continuación:
podemos plantear la explicación del comportamiento de cada coeficiente en función de
Equation Number: 2
una variable explicativa z:
Ordinary Least Squares β jt = β j + z tj γ j + ε jt
ln(asalcst)=C1*ln(vacst)+C2*ln(pvacst)+C3
Parameter T-Statistic Std Error Mean donde las variables ε son errores estocásticos.
C1) 1.7221 13.24620 0.13000 10.269
C2) -0.37007 -5.83205 0.06345 4.278 Incluyendo estas ecuaciones en el modelo original, tendremos el modelo a estimar:
C3) -9.3639 -8.55722 1.09427 1.000
Variance= 0.002685 Dependent Mean= 6.737 y t = xt1 β 1 + xt 2 β 2 + ... + xtk β k + ( xt1 ⋅ z t1 ) ⋅ γ 1 + (xt 2 ⋅ z t 2 ) ⋅ γ 2 + ... + (xtk ⋅ z tk ) ⋅ γ k + vt
Schwarz Criterion=-5.6452 Akaike Criterion= -5.7940 y donde vt será la nueva perturbación aleatoria tal que:
vt = u t + xt1 ⋅ ε 1t + xt 2 ⋅ ε 2t + ... + xtk ⋅ ε kt
Box-Pierce Test: Chi-Sqr( 1) = 2.1964 Para simplificar, vamos a suponer en nuestro caso que:
z t1 = z t 2 = ... = z tk = t
3 4
19
La observación del resto de contrastes nos confirma que no existen problemas de
siendo t una variable tendencial con valores de 1 a 25, como se pede ver en el anexo del autocorrelación en las perturbaciones ni de forma funcional incorrecta. Tampoco de
documento. Al estimar el modelo, obtenemos los siguientes resultados (obsérvese que heteroscedasticidad, según el contraste de Breusch-Pagan (el valor tabulado de la
C1 y C2 son los parámetros βj , mientras que C3 y C4 son los parámetros γj del modelo distribución ji-cuadrado al 95% es 9.49), si bien es apreciable un aumento acusado del
teórico): valor del estadístico. Precisamente, este es uno de los riesgos de la especificación de los
modelos de parámetros cambiantes: la posibilidad de la existencia de
Equation Number: 3 heteroscedasticidad, ya que la dispersión de las perturbaciones dependerá ahora del
Number of Observations: 22 valor de las variables explicativas del cambio de los parámetros del modelo (en nuestro
Ordinary Least Squares ejemplo, la variable t). Otros problemas que pueden surgir son la pérdida de eficiencia
de los parámetros estimados, debido a la reducción de los grados de libertad, y la
asalcst=C1*vacst+C2*pvacst+C3*vacst*t+C4*pvacst*t+C5
posibilidad de que exista multicolinealidad entre las variables regresoras.
C1) 0.05212 11.06737 0.00471 29430.864
C2) -9.5776 -9.18175 1.04312 78.117
C3)
C4)
-0.00063
0.37461
-1.60427
3.85262
0.00039
0.09724
*********
1081.044
“Switching Regression”: selección de los datos más recientes.
C5) -92.177 -0.95456 96.56512 1.000
Variance= 806.437777 Dependent Mean= 864.892 En los casos anteriores hemos constatado como el cambio estructural detectado en el
Standard Error= 28.397848 Percent Error= 3.28% modelo inicial parecía ser de tipo continuo, seguramente originado por una
Schwarz Criterion= 7.1373 Akaike Criterion= 6.8893 especificación de la forma funcional del modelo inadecuada. Ahora bien, a juzgar por la
Max LLF= -101.99942 F-Statistic: F( 4, 17)= 267.5707 representación gráfica de los residuos del modelo original, advertimos un patrón de
DW Statistic= 2.36725 comportamiento distinto de éstos a partir del año 1989. Esto podría ser un indicio de la
Residuals Properties Tests: existencia de un cambio de estructura de tipo discreto. Vamos a suponer este caso.
Box-Pierce Test: Chi-Sqr( 1) = 0.8402 Una primera alternativa de modelización en el ámbito del cambio estructural de tipo
Breusch-Godfrey Test: F( 1, 16)= 1.0040, Chi-Sqr( 1) = 1.2990 discreto es la localización del punto de “ruptura estructural” (en nuestro caso,
suponemos el año 1989), y estimar el modelo sólo con los datos más recientes (a partir
de ese punto), ya que se pensamos que los datos anteriores pertenecen a una estructura o
realidad económica diferente a la actual.
Estimando el modelo con esta submuestra, obtenemos los siguientes resultados:

Intercept Parameters: F( 2, 15)= 0.1692 Equation Number: 4
Slope Parameters: F( 8, 7)= 2.4787 Sample Period: 1989- 2001
All Parameters: F(10, 7)= 2.0435 Number of Observations: 13
Break Point(s): 198801 199501 Ordinary Least Squares
asalcst=C1*vacst+C2*pvacst+C3
De los resultados se desprende que el problema de cambio estructural ha desaparecido, a
juzgar por el test de estabilidad estructural (el valor tabulado de la distribución F es Parameter T-Statistic Std Error Mean
3.64). Esto se debe a que se permite un cambio en el valor de los parámetros estimados C1) 0.04770 19.24561 0.00248 33714.923
C2) -0.74714 -1.27680 0.58517 99.412
en función de la variable tendencial (excepto el parámetro del término independiente, el C3) -548.91 -9.98632 54.96632 1.000
cuál no se ha considerado como coeficiente variable, aunque también se podría
considerar). En concreto, los parámetros estimados que acompañan a las variables Standard Error= 20.952123 Percent Error= 2.13%
VACST y PVACST cambiarán según la relación: R-Square= 0.9875 R-Bar-Square= 0.9850
βvacst = C1 + C3*t Max LLF= -56.28995 F-Statistic: F( 2, 10)= 394.7714
β pvacst = C2 + C4*t
pudiéndose plantear el modelo estimado como: Jarque-Bera Test: Chi-Sqr( 2) = 0.2686
asalcst= βvacst*vacst + β pvacst *pvacst + C5 Breusch-Godfrey Test: F( 1, 9)= 1.2110, Chi-Sqr( 1) = 1.5418
5 6
20
Ramsey RESET Test: F( 1, 9)= 0.0013, Chi-Sqr( 1) = 0.0019 Residuals Properties Tests:
Hetroscedasticity Test(s): Box-Pierce Test: Chi-Sqr( 1) = 4.9740
Breusch-Pagan Test: F( 2, 10)= 1.1223, Chi-Sqr( 2) = 2.3832 Ljung-Box Test: Chi-Sqr( 1) = 5.6846
ARCH Process Test: F( 2, 9)= 0.1688, Chi-Sqr( 2) = 0.3977 Breusch-Godfrey Test: F( 1, 17)= 9.9972, Chi-Sqr( 1) = 8.1467
Structural Stability Test, Based On 3 Subperiods Functional Form Test(s):

Intercept Parameters: F( 2, 8)= 0.4679 Ramsey RESET Test: F( 1, 17)= 1.6013, Chi-Sqr( 1) = 1.8939
All Parameters: F( 6, 4)= 5.3233 Hetroscedasticity Test(s):
Break Point(s): 199401 199801 Breusch-Pagan Test: F( 3, 18)= 2.5850, Chi-Sqr( 3) = 6.6244
Puede observarse cómo el estadístico de Chow muestra un valor inferior al valor Structural Stability Test, Based On 3 Subperiods
tabulado de la distribución F (6.16 al 95%), por lo que el contraste de estabilidad Intercept Parameters: F( 2, 16)= 3.8322
verifica que ha desaparecido el problema del cambio estructural. Tampoco se violan el Slope Parameters: F( 6, 10)= -1.6648
All Parameters: F( 8, 10)= -1.2479
resto de hipótesis básicas del modelo lineal, a juzgar por los resultados del resto de Break Point(s): 198801 199501
contrastes.
De estos resultados podemos extraer las siguientes conclusiones. En primer lugar, el test
Tan sólo añadir que esta técnica tiene dos desventajas: una, la subjetividad que puede de Chow, debido al cálculo automatizado del software empleado, no ofrece un valor
conllevar la selección del punto de ruptura estructural (es decir, selección de la válido, por lo que esta prueba queda invalidada.
dimensión de la muestra)1. Otra, la reducción de los grados de libertad, lo que puede
ocasionar incrementos artificiales en las varianzas de los estimadores, y errores en las Aún así, la significación del parámetro que acompaña a la variable DUM89 (prueba de
conclusiones de la prueba t de significación individual de los parámetros la t) puede dar una idea de lo apropiado de plantear esta solución, y de la intensidad del
cambio estructural experimentado en la observación donde la variable ficticia cambia de
valor (1989). Este parámetro (C3), según el contraste t efectuado al 95% de confianza,
Utilización de Variables Ficticias. es significativo (valor tabulado de la distribución t del 2.101), lo que parece indicar que
el cambio estructural centrado en el año 1989 es lo suficientemente intenso como para
ser recogido explícitamente en el modelo.
Por último, vamos a estimar el modelo en el que se incluye una variable ficticia o
dicotómica. Esta variable, DUM89, toma valor 0 hasta el punto de (posible) ruptura A pesar de esto, hay que tener en cuenta que esta solución no evita un problema de
estructural, y valor 1 para el resto de observaciones de la muestra. El parámetro que autocorrelación en las perturbaciones, como muestran los contrastes correspondientes.
acompaña a esta variable recogerá el cambio que se produce en los parámetros, a
consecuencia del cambio estructural, de forma conjunta. Los resultados de la estimación
son los siguientes:
Equation Number: 5
asalcst=C1*vacst+C2*pvacst+C3*dum89+C4

C1) 0.05252 10.88310 0.00483 29430.864
C2) -3.0779 -2.88513 1.06683 78.117
C3) -96.360 -2.12047 45.44256 0.591
C4) -383.58 -4.48600 85.50660 1.000

Standard Error= 47.628748 Percent Error= 5.51% Referencias:
R-Square= 0.9534 R-Bar-Square= 0.9457 INTRILLIGATOR, BODKIN, HSIAO (1996) Econometric Models,
Schwarz Criterion= 8.0882 Akaike Criterion= 7.8898 Techniques and Applications. Prentice Hall. New Jersey.
1
Si bien existen algunas técnicas como para identificar el punto de posible ruptura estructural, como es el
test de Quandt.
7 8
21
Anexo. Series de Datos del Modelo de ASALCST.
SERIES: ASALCST UNITS: MILE SOURCE: INE/DGPC

ASALARIADOS CONSTRUCCION
ANNUAL DATA
1964/1969 795.8 818.1 850.5 876.6 901.9 928.4
1970/1975 938.7 943.2 998.0 1030.9 1068.6 1049.5
1976/1981 1026.8 1035.7 982.4 908.5 837.1 753.7
1982/1987 727.9 672.2 600.9 552.2 610.6 694.3
1988/1993 774.4 889.7 963.1 994.5 906.6 809.5
1994/1999 787.1 858.2 881.1 937.0 1015.3 1155.8
2000/2001 1261.9 1344.5
SERIES: VACST UNITS: MILL SOURCE: INSTITUT

VAB PB CONSTRUCCION. PRECIOS CONSTANTES 1995.
ANNUAL DATA
1980/1985 23473 23498 21984 22247 20986 21699
1986/1991 23107 24914 27277 30765 33249 33931
1992/1997 31854 29706 30020 31876 31434 32128
1998/2002 34448 37390 39652 41841 43845
SERIES: PVACST SOURCE: E.P.

DEFLACTOR VAB PB CONSTRUCCION.
ANNUAL DATA
1980/1985 32.25 33.13 41.30 43.60 45.94 50.65
1986/1991 54.08 59.57 65.69 72.08 79.50 86.09
1992/1997 90.11 93.69 95.68 100.00 102.49 104.55
1998/2002 106.91 111.41 120.96 128.89 137.70
SERIES: T SOURCE: E.P.

Serie tendencial (tiempo)
ANNUAL DATA
1980/1985 1.000 2.000 3.000 4.000 5.000 6.000
1986/1991 7.000 8.000 9.000 10.000 11.000 12.000
1992/1997 13.000 14.000 15.000 16.000 17.000 18.000
1998/2003 19.000 20.000 21.000 22.000 23.000 24.000
2004 25.000
SERIES: DUM89 SOURCE: E.P.

Variable Ficticia
ANNUAL DATA
1980/1985 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
1986/1991 0.0000 0.0000 0.0000 1.0000 1.0000 1.0000
1992/1997 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
1998/2003 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
2004 1.0000
22
Elementos de Econometría Realizada la estimación con los datos anteriores se obtienen los siguientes resultados:
Tema 2 Ejemplo de problemática del Cambio Estructural (III): modelo
de las exportaciones de bienes y servicios.
EQUATION NUMBER: 1
Se pretende estimar un modelo explicativo del comportamiento de las exportaciones de ORDINARY LEAST SQUARES
bienes y servicios en función del deflactor de éstas, del tipo de cambio y de la demanda EXGS=C1*TC+C2*PEXGS+C3*DEMOCDE+C4
interna de los países OCDE. Para ello se cuenta con la siguiente información:
C1) -15273 -1.17971 12946.48019 92.026
C2) 5461431 2.57464 2121236.79052 .601
SERIES: EXGS EXPORTACION BIENES Y SERVICIOS (INCLUYE TURISMO). PTAS CTES B86 C3) 1350.0 1.90015 710.47850 3290.595
C4) -1284607 -.69240 1855287.95718 1.000
Last Extended: 3/04/99
VARIANCE= .13155320E+13 DEPENDENT MEAN= .50359E+07
ANNUAL DATA STANDARD ERROR=************** PERCENT ERROR= .23E+02
1960/1965 737429 796128 897692 932166 1169695 1248767 R-SQUARE= .9156 R-BAR-SQUARE= .9081
1966/1971 1442471 1375876 1629177 1885969 2225123 2541091 MAX LLF= -582.00636 F-STATISTIC: F( 3, 34)= 122.9024
1972/1977 2881597 3169757 3138059 3125507 3281782 3678878 DW STATISTIC= .18367
1978/1983 4072518 4300579 4399492 4761387 4997191 5495076
1984/1989 6137424 6300114 6416945 6823062 7169213 7384033 HETROSCEDASTICITY TEST(S):
1990/1995 7621504 8221078 8828275 9579586 11181770 12299900 BREUSCH-PAGAN TEST: CHI-SQR( 3) = 9.7264
1996/1997 13604850 15611860
* STRUCTURAL STABILITY TEST, BASED ON 3 SUBPERIODS:
SERIES: PEXGS DELACTOR DE LAS EXPORTACIONES DE B Y S (INCLUIDO TURISMO). B86 BREAK POINT(S): 197401 198601
ANNUAL DATA
1960/1965 0.0813 0.0828 0.0891 0.0948 0.0969 0.0980
1966/1971 0.1068 0.1219 0.1436 0.1524 0.1565 0.1660
1972/1977 0.1761 0.1927 0.2359 0.2610 0.3038 0.3626
1978/1983 0.4199 0.4593 0.5425 0.6389 0.7265 0.8493
1984/1989 0.9555 1.0170 1.0000 1.0253 1.0566 1.1038
1990/1995 1.1225 1.1445 1.1803 1.2360 1.2916 1.3603
1996/1997 1.3790 1.4160
*
SERIES: TC TIPO DE CAMBIO PESETAS/DOLAR
ANNUAL DATA
1960/1965 60.00 59.97 59.89 59.88 59.88 59.90
1966/1971 59.93 61.08 69.68 69.85 69.70 69.23
1972/1977 64.27 58.26 57.69 57.41 66.90 75.96
1978/1983 76.67 67.13 71.71 92.32 109.86 143.43
1984/1989 160.76 170.04 140.05 123.48 116.49 118.38
1990/1995 101.93 103.91 102.38 127.25 133.96 124.69
1996/1998 126.66 146.41 149.40
*
SERIES: DEMOCDE DEMANDA INTERNA REAL PAISES OCDE
ANNUAL DATA El contraste de Chow advierte de la existencia de Cambio Estructural. Gráficamente se

1960/1965 1498.4 1562.9 1652.7 1737.0 1847.4 1952.3 observa un comportamiento exponencial de la variable endógena, por lo que el cambio
1966/1971 2065.3 2146.0 2265.5 2393.8 2485.4 2572.2
1972/1977 2716.6 2884.0 2897.5 2888.7 3034.2 3138.8 estructural podría venir motivado por una forma funcional errónea en la especificación.
1978/1983 3269.1 3398.5 3425.3 3472.4 3455.2 3536.9 A continuación se especificará el modelo con las variables expresadas en logaritmos:
1984/1989 3707.2 3835.2 3956.8 4091.9 4266.9 4423.2
1990/1995 4539.7 4570.5 4657.5 4697.2 4824.1 4901.2
1996/1998 5054.7 5220.4 5387.3
*
1 2
23
Pensando en la posibilidad de que existan dos estructuras económicas diferentes a lo
largo de la muestra, se divide ésta en dos partes, y se estima con los datos del período
EQUATION NUMBER: 2 1987-1998, que parecen seguir un comportamiento más homogéneo:
LN(EXGS)=C1*LN(TC)+C2*LN(PEXGS)+C3*LN(DEMOCDE)+C4 EQUATION NUMBER: 3

PARAMETER T-STATISTIC STD ERROR MEAN NUMBER OF OBSERVATIONS: 11
C1) 0.27398 2.84879 .09618 4.458 ORDINARY LEAST SQUARES
C2) -0.13846 -1.64715 .08406 -.942
C3) 2.4985 13.67816 .18267 8.039 LN(EXGS)=C1*LN(TC)+C2*LN(PEXGS)+C3*LN(DEMOCDE)+C4
C4) -6.3144 -3.45932 1.82532 1.000
VARIANCE= .60980930E-02 DEPENDENT MEAN= 15.123 C1) 0.40479 2.14643 .18859 4.786
STANDARD ERROR= .07809029 PERCENT ERROR= .52 C2) 1.6479 2.07791 .79308 .185
R-SQUARE= .9922 R-BAR-SQUARE= .9915 C3) 0.95210 .84402 1.12805 8.444
MAX LLF= 45.08943 F-STATISTIC: F( 3, 34)= 1447.1810 C4) 5.7828 .58383 9.90496 1.000
DW STATISTIC= .40838
HETROSCEDASTICITY TEST(S): VARIANCE= .21669606E-02 DEPENDENT MEAN= 16.065
BREUSCH-PAGAN TEST: F( 3, 34) = 1.9306, CHI-SQR( 3) = 5.5309 STANDARD ERROR= .04655062 PERCENT ERROR= .29
STRUCTURAL STABILITY TEST, BASED ON 3 SUBPERIODS: R-SQUARE= .9809 R-BAR-SQUARE= .9728
ALL PARAMETERS: F( 8, 26)= 6.8408 MAX LLF= 20.61696 F-STATISTIC: F( 3, 7)= 120.1362
BREAK POINT(S): 197401 198601 DW STATISTIC= 1.42438
BREUSCH-PAGAN TEST: CHI-SQR( 3) = 3.2534
El valor del estadístico de Chow disminuye considerablemente con la nueva

especificación. Aún así, al 95% de significación, el contraste sigue evidenciando cambio
estructural.
3 4
24
En cuanto a los resultados para la primera submuestra:
EQUATION NUMBER: 4
LN(EXGS)=C1*LN(TC)+C2*LN(PEXGS)+C3*LN(DEMOCDE)+C4

C1) 0.10974 1.50363 .07298 4.325
C2) 0.00935 .14838 .06304 -1.401
C3) 2.2012 16.05650 .13709 7.874
C4) -3.0541 -2.20879 1.38271 1.000
VARIANCE= .28667545E-02 DEPENDENT MEAN= 14.739

STANDARD ERROR= .05354208 PERCENT ERROR= .36
R-SQUARE= .9946 R-BAR-SQUARE= .9939
MAX LLF= 42.89004 F-STATISTIC: F( 3, 23)= 1403.1040
BREAK POINT(S): 196901 197801
Pese a la división de la muestra, hay que conservar la especificación de las variables en

logaritmos para evitar cambio estructural, como puede verse en la siguiente estimación:
EQUATION NUMBER: 74
EXGS=C1*TC+C2*PEXGS+C3*DEMOCDE+C4

C1) 49010 2.34138 20932.29379 120.504
C2) 9245247 1.11848 8265873.86726 1.211
C3) 3611.0 1.17607 3070.37865 4658.838
C4) -24072890 -3.94297 6105268.89582 1.000

STANDARD ERROR=************** PERCENT ERROR= 6.3
Referencia: TARANCÓN MORÁN, M.A. (2000) Practicas de Econometría para PC.

Seminario de Economía Cuantitativa. Universidad de Castilla – La
Mancha. Toledo.
5
25
Elementos de Econometría Los resultados de la estimación son los siguientes:
Tema 2 Ejemplo de problemática del Cambio Estructural (III): modelo
de Formación Bruta de Capital Fijo.
EQUATION NUMBER: 1
A continuación se muestra un caso de incumplimiento de la hipótesis de Permanencia
FBKF=C1*(CP(-1))+C2*UCP+C3
Estructural. Se trata de la estimación de un modelo de explicación del comportamiento
de la Formación Bruta de Capital Fijo en función del Consumo Privado Desplazado y PARAMETER T-STATISTIC STD ERROR MEAN
de la Utilización de la Capacidad Productiva C1) 0.53841 13.61398 .03955 5197.094
C2) 54.219 4.84783 11.18410 79.482
C3) -5247.2 -5.04280 1040.53195 1.000

STANDARD ERROR= 151.71900000 PERCENT ERROR= 8.2
FBKF formación bruta de capital fijo (media anual). Precios constantes base 86 R-SQUARE= .8989 R-BAR-SQUARE= .8908
CP consumo privado nacional (media anual). Precios constantes base 86 MAX LLF= -178.76052 F-STATISTIC: F( 2, 25)= 111.1685
UCP utilización de la capacidad productiva (media anual) DW STATISTIC= .51818

SERIES: FBKF FORMACIÓN BRUTA DE CAPITAL FIJO (MEDIA ANUAL). PRECS. CTES B86 BREAK POINT(S): 198101 199001
ANNUAL DATA
1970/1975 1277.1 1238.8 1414.7 1598.6 1697.7 1621.3

1976/1981 1608.3 1593.9 1550.8 1482.6 1493.0 1455.3
1982/1987 1486.1 1450.9 1350.4 1432.4 1574.2 1795.2
1988/1993 2044.6 2322.5 2476.4 2516.5 2404.6 2152.2
1994/1998 2206.7 2388.7 2419.9 2542.1 2772.1
*
SERIES: CP CONSUMO PRIVADO NACIONAL (MEDIA ANUAL). PRECS. CTES BASE 86
ANNUAL DATA
1970/1975 3344.9 3515.4 3807.2 4104.2 4313.4 4391.1
1976/1981 4637.0 4706.5 4748.9 4810.5 4839.4 4778.3
1982/1987 4773.0 4786.6 4776.5 4945.3 5109.4 5405.5
1988/1993 5670.9 5991.5 6209.6 6389.1 6530.4 6385.7
1994/1998 6443.8 6546.1 6675.5 6882.9 7147.3
*
SERIES: UCP UTILIZACIÓN DE LA CAPACIDAD PRODUCTIVA (MEDIA ANUAL)
ANNUAL DATA
1965/1970 83.250 83.000 80.000 80.500 83.750 83.750
1971/1976 82.250 86.750 88.750 84.000 79.500 81.500
1977/1982 82.750 80.000 79.750 78.750 78.750 80.000
1983/1988 78.875 78.500 77.500 78.750 77.675 80.100
1989/1994 80.975 79.550 76.675 73.450 70.700 75.175
1995/1998 78.050 76.975 79.175 80.625
*
El test de Chow advierte de la presencia de un problema de Cambio Estructural.
1 2
26
En este caso, una especificación en logaritmos (cambio en la forma funcional) no
soluciona o aminora el problema de Cambio Estructural desde el punto de vista del test Para confirmar esta sospecha, se calculará el Test de Chow eligiendo 1986 como año de
de Chow aplicado al modelo estimado en logaritmos: ruptura1:
EQUATION NUMBER: 2
NUMBER OF OBSERVATIONS: 28 STRUCTURAL STABILITY TEST, BASED ON 2 SUBPERIODS:
ORDINARY LEAST SQUARES ALL PARAMETERS: F( 3, 22)= 6.7178
LN(FBKF)=C1*(LN(CP(-1)))+C2*LN(UCP)+C3

C1) 1.4080 10.71175 .13145 8.537
C2) 2.2414 3.85063 .58208 4.375
C3) -14.325 -4.17925 3.42774 1.000
Lo que confirma la ruptura estructural al ser el valor de la distribución F para una
STANDARD ERROR= .09676447 PERCENT ERROR= 1.3
confianza del 95%, 3.05. Por lo tanto, vamos a proceder a estimar cada una de las
R-SQUARE= .8494 R-BAR-SQUARE= .8374 estructuras por separado (período 1987-1998 y período 1971-1986).
MAX LLF= 27.24963 F-STATISTIC: F( 2, 25)= 70.5203

ALL PARAMETERS: F( 6, 19)= 11.4493 EQUATION NUMBER: 3
BREAK POINT(S): 198101 199001 SAMPLE PERIOD: 1987- 1998
La representación gráfica de la variable endógena muestra distintos patrones de FBKF=C1*(CP(-1))+C2*UCP+C3

comportamiento tomando como punto de referencia el año 1986 (posible punto de PARAMETER T-STATISTIC STD ERROR MEAN
ruptura estructural). C1) 0.43274 6.18744 .06994 6186.703
C2) 42.089 3.44912 12.20295 77.427
C3) -3599.3 -3.14569 1144.19185 1.000

BREUSCH-PAGAN TEST: CHI-SQR( 2) = .7052

BREAK POINT(S): 199101 199501
1
En el software Micro-Modler (versión DOS), esta operación se realiza mediante la instrucción ,
mediante la instrucción:
*FBKF=F(CP(-1),UCP;CHOWBP:1986)
3 4
27
EQUATION NUMBER: 4
FBKF=C1*(CP(-1))+C2*UCP+C3

C1) 0.21230 2.65948 .07983 4454.887
C2) 34.405 2.71742 12.66087 81.023
C3) -2230.3 -1.68634 1322.58202 1.000


BREAK POINT(S): 197701 198201
Para la estructura más reciente el contraste de Chow da un resultado de

Permanencia Estructural (8.94 como valor de tablas al 95% de confianza). En cambio, la
estructura más antigua, según el contrate de Chow, sigue adoleciendo de Cambio
Estructural (3.87, valor de tablas).
Referencia: TARANCÓN MORÁN, M.A. (2000) Practicas de Econometría para PC.

Mancha. Toledo.
28
Elementos de Econometría Obteniéndose los resultados:
Ejemplo de tratamiento de la autocorrelación en los residuos
Tema 4 mínimo-cuadráticos: modelo del Empleo en el Sector
Servicios.
Información general: número de ecuación, período muestral,

En este ejemplo se comentará la problemática de la autocorrelación en los residuos de la número de observaciones en la muestra, técnica de estimación
estimación mínimo-cuadrática de un modelo econométrico uniecuacional: detección del
problema y métodos de estimación con corrección del efecto de dicha autocorrelación.
Ecuación estimada (C# son los parámetros)
La autocorrelación en los residuos mínimo-cuadráticos supone el incumplimiento de la

hipótesis del modelo lineal de ausencia de autocorrelación en el vector de Información sobre los parámetros
estimados: valor calculado, test de
perturbaciones aleatorias. Esto se traduce en la pérdida de eficiencia en los parámetros significación individual, desviación
estimados. En la práctica, puede considerarse el problema como una influencia de los típica, media de la variable
‘errores’ anteriores en los ‘errores’ sucesivos; esto es, el modelo ‘se equivocará’ en la
predicción de un período por el simple hecho de ‘haberse equivocado’ en otros períodos
anteriores. Test de normalidad
Existe abundante literatura entorno a la problemática de la autocorrelación. Para

modelos estimados en base a datos de alta frecuencia (mensuales y/o trimestrales) puede
darse ‘autocorrelación estacional’, en la que existe relación entre los errores de períodos
intra-anuales equivalentes. En este ejemplo, al trabajar con datos de baja frecuencia, nos
referiremos a la autocorrelación ordinaria, y en especial al caso más frecuente que es el
de la autocorrelación de orden 1, es decir, cuando existe relación entre residuos
consecutivos. Este esquema de autocorrelación puede representarse mediante un
esquema autorregresivo de orden 1 o esquema AR(1):
ut = φut-1 + εt
con εt una perturbación aleatoria de tipo ruido blanco.
En el ejemplo se planteará el modelo del Empleo en el Sector Servicios y re-estimará de

Tests de Ausencia
forma adecuada. La especificación del modelo está basado en el Bloque Empleo del de Autocorrelación
modelo Hispania1.
Las variables a emplear son las siguientes: Test de Permanencia Estructural

Bloque de Información básica: Cuasivarianza y desviación
típica de los resíduos, media de la variable endógena, porcentaje
medio de error, coeficiente de determinación lineal estándar y
Test de homoscedasticidad
corregido, valor de la función de verosimilitud, test de significa-
EPSER EMPLEO EN SERVICIOS 1964-1998 DGPC/INE Units:MILL ción conjunta de los parámetros, test de ausencia de autocorrela-
PVASER DEFLACTOR VAB SERVICIOS 1964-1997 E.P. Units:IND Test sobre forma funcional correcta ción de primer orden en la perturbación aleatoria de Durbin y
VASER VAB SERVICIOS. PTAS CTES.B86 1960-1997 DGPC/INE Units:MIL Watson
WAGE_EP SALARIO POR EMPLEADO 1985-1997 DGPC/INE Units:RAT
La especificación inicial del modelo es:
EPSER = f((WAGE_EP/PVASER, VASER/1000)
1
Véase MARTÍNEZ AGUADO et al. (1999) Proyecto ECO*OMETRIST. D11: Ejemplo de
Aplicación *acional. SEC-UCLM. Toledo.
1 2
29
Autocorrelación en los resíduos mínimo-cuadráticos. Métodos de estimación con corrección del efecto de la
Autocorrelación.
Los resultados de la fase de contrastación del modelo se presentan en la siguiente tabla:

Una vez se ha constatado la existencia de autocorrelación de primer orden en los
resíduos, y por tanto, el incumplimiento de la hipótesis de ausencia de autocorrelación
Test Valor estadístico Valor tablas Conclusión en el vector de la perturbación aleatoria, se procederá a la re-estimación del modelo para
la corrección del efecto de dicha autocorrelación. Lo que se hace, fundamentalmente, es
Test de Significación Individual de los Parámetros del Modelo. incorporar en la modelización el hecho de que los errores estén relacionados a través del
C1) -0.59360 2.262 No Significativo tiempo. Es decir, al modelo principal:
C3) 1.33355 2.262 No Significativo
Test de Significación Conjunta de los Parámetros del Modelo. EPSERt = C3 + C1*(WAGE_EP/PVASER)t + C2*(VASER/1000)t + ut
Jarque-Bera 0.3214 5.99 Normalidad se le asociará un modelo de segundo nivel que se ocupa de recoger la relación entre los
Test de Autocorrelación en los Residuos. errores:
Durbin-Watson 0.70772 0.812 – 1.579 Autocorrelación
Box-Pierce 4.1348 3.84 Autocorrelación ut = φut-1 + εt
Breusch-God. (X2) 9.0718 3.84 Autocorrelación
Test de Forma Funcional. Lo que, uniendo las dos ecuaciones, puede anotarse como la ecuación:
Tests de Heteroscedasticidad.
Breusch-Pagan (X2) 2.0183 5.99 Homoscedasticidad EPSERt = C3 + C1*(WAGE_EP/PVASER)t + C2*(VASER/1000)t + φut-1 + εt
Arch Process (X2) 3.2275 5.99 Homoscedasticidad
4.2914 6.16 Estabilidad Siendo ahora los parámetros a estimar C1, C2, C3 y φ; y εt la nueva perturbación
Chow (All Param.)
Estructural aleatoria del modelo que, como se dijo, es ruido blanco, esto es, variable
incorrelacionada serialmente.
La complejidad en la estimación del modelo se basa en la obtención del valor del

Como evidencia la fase de contrastación, se incumple la hipótesis del modelo lineal de
ausencia de autocorrelación. Los contrastes que efectúa el software se refieren a la parámetro φ, dado que no se puede estimar la ecuación directamente al acompañar a
autocorrelación de orden 1. Por tanto, se puede afirmar que el modelo estimado adolece dicho parámetro una variable no-observable (ut-1). Existen en la literatura diversos
de autocorrelación, al menos de primer orden. Es decir, existe una fuerte relación entre procedimientos para su cálculo. Entre ellos, se van a mostrar 3: procedimiento de
el error de un período y el de un período inmediatamente anterior o posterior. Al adoptar Hildreth-Lu (exploratorio), procedimiento de Cochrane-Orcutt (iterativo) y
un esquema de representación de esta relación de tipo AR(1), esto equivale a decir que procedimiento de Durbin (sustitución de ut-1).
en:
ut = φut-1 + εt
el valor del parámetro φ es lo suficientemente próximo a 1 o a –1 como para que la

relación entre ut y ut-1 sea importante. Para confirmar esta conclusión, los contrastes
evidencian la relación estadística entre los estimadores de la perturbación aleatoria, es
decir, los residuos ût y ût-1 .
3 4
30
Procedimiento de Hildreth-Lu (exploratorio). Procedimiento de Cochrane-Orcutt (iterativo).
El método consiste esencialmente en probar una malla de valores posibles del parámetro En este procedimiento se van obteniendo valores sucesivos de φ, cada uno de los cuáles
φ, hasta encontrar aquel que minimice la suma de los cuadrados de los residuos, siendo sirve para estimar el valor posterior. El proceso itera hasta que se llega a valores muy
el resultado en el caso de nuestro modelo: próximos unos de otros. En nuestro caso se obtiene:
Equation Number: 1
Autoregressive Corrections: Hildreth-Lu Technique Ordinary Least Squares
Autoregressive Corrections: Cochrane-Orcutt Technique
EPSER=C1*WAGE_EP/PVASER+C2*VASER/1000+C3
C1) -208.47 -1.78303 116.91982 14.461 Parameter T-Statistic Std Error Mean
C2) 0.30375 8.67593 0.03501 20671.195 C1) -216.13 -1.71319 126.15580 14.461
C3) 3597.3 2.49977 1439.07298 1.000 C2) 0.30217 7.88312 0.03833 20671.195
C3) 3751.5 2.34550 1599.43223 1.000
Rho( 1)= 0.58570 Accurate 3 Digits
Standard Error= 85.340903 Percent Error= 1.26% Variance= 8176.686679 Dependent Mean= 6780.723
R-Square= 0.9894 R-Bar-Square= 0.9859 Standard Error= 90.425033 Percent Error= 1.33%
Max LLF= -74.07256 F-Statistic: F( 3, 9)= 280.9219 R-Square= 0.9847 R-Bar-Square= 0.9771
DW Statistic= 1.25587 Max LLF= -74.08392 F-Statistic: F( 3, 8)= 172.1728

Jarque-Bera Test: Chi-Sqr( 2) = 0.0590 Residuals Properties Tests:
Box-Pierce Test: Chi-Sqr( 1) = 1.7864 Jarque-Bera Test: Chi-Sqr( 2) = 0.0777
Ljung-Box Test: Chi-Sqr( 1) = 2.2331 Box-Pierce Test: Chi-Sqr( 1) = 1.6572
Como RHO( 1) aparece el valor estimado de φ, en esta ocasión de 0.58 (el valor oscilará
entre +1 y –1 para el caso de autocorrelación perfecta, con 0 para el caso de
incorrelación). Procedimiento de Durbin (sustitución de ut)
Nótese como el valor del estadístico de Durbin se acerca a 2 (incorrelación), y los

contrastes de Box-Pierce y Ljung-Box asguran ausencia de autocorrelación en los Este procedimiento consiste en obtener un valor inicial de φ que sirva para iniciar el
resíduos, y por tanto, en el vector de perturbaciones aleatorias del modelo. Dichas procedimiento iterativo de C-O. Este valor inicial se obtiene de estimar el modelo:
perturbaciones ya no son las variables ut ; sino las variables εt , que teóricamente son
variables ruido blanco (incorrelacionadas). EPSERt = C3 + C1*(WAGE_EP/PVASER)t + C2*(VASER/1000)t + φut-1 + εt
El modelo así especificado no se puede estimar, dado que ut-1 es una variable no
observable. Para conseguirlo, se transforma la ecuación, quedando al final como:
EPSERt = C6 + C1*(WAGE_EP/PVASER)t + C2*(VASER/1000)t + C3*EPSERt-1 +

C4*(WAGE_EP/PVASER)t-1 + C5*(VASER/1000)t-1 + εt
El modelo, al tener tantos términos, adolecerá de ineficiencia; pero el parámetro C3 será

el valor inicial de φ.
5 6
31
En nuestro caso se obteniene la estimación: Anexo. Series de Datos del Modelo EPSER2.MOD.
Equation Number: 3
Autoregressive Corrections: Cochrane-Orcutt Technique
SERIES: EPSER UNITS: MILL SOURCE: DGPC/INE
Durbin Initial Rho(1) Estimate = 0.70226 EMPLEO EN SERVICIOS
ANNUAL DATA
Parameter T-Statistic Std Error Mean 1985/1990 5451.3 5780.7 6027.8 6261.2 6628.5 6894.8
C1) -235.65 -1.77378 132.85191 14.461 1991/1996 7100.7 7113.1 7011.4 7046.7 7315.2 7643.8
C2) 0.29585 6.88752 0.04295 20671.195 1997/1998 7874.2 8129.3
C3) 4203.2 2.27271 1849.42010 1.000
Rho( 1)= 0.67762 Accurate 3 Digits SERIES: WAGE_EP UNITS: RAT SOURCE: DGPC/INE
SALARIO POR EMPLEADO
Variance= 8279.390804 Dependent Mean= 6780.723 Last Revised: 7/05/00 Last Extended: 7/04/00
R-Square= 0.9846 R-Bar-Square= 0.9768 ANNUAL DATA
Max LLF= -74.23763 F-Statistic: F( 3, 8)= 170.0040 1985/1990 1210.6 1335.0 1449.8 1576.4 1708.4 1908.9
DW Statistic= 1.33303 1991/1996 2127.5 2343.6 2540.8 2625.6 2695.4 2757.3
1997 2844.7

Jarque-Bera Test: Chi-Sqr( 2) = 0.1514 SERIES: PVASER UNITS: IND SOURCE: E.P.
Box-Pierce Test: Chi-Sqr( 1) = 1.4123 DEFLACTOR VAB SERVICIOS
Ljung-Box Test: Chi-Sqr( 1) = 1.7653 Last Revised: 7/04/00 Last Extended: 7/04/00
ANNUAL DATA
1985/1990 91.74 100.00 106.35 113.24 120.92 131.92
Como puede observarse, el valor inicial de φ, que sale de estimar la ecuación 1991/1996 143.31 156.29 165.30 171.30 179.48 185.98
transformada de Durbin es 0.70, que cambia hasta 0.67 tras aplicar C-O partiendo de ese 1997 190.81
valor inicial.
SERIES: VASER UNITS: MIL SOURCE: DGPC/INE

VAB SERVICIOS. PTAS CTES. B86
ANNUAL DATA
1985/19901.65951E+7 1.71823E+7 1.79742E+7 1.88282E+7 1.98035E+7 2.05882E+7
1991/19962.11509E+7 2.15981E+7 2.17448E+7 2.23742E+7 2.30082E+7 2.35676E+7
19972.43101E+7
Referencias:
Techniques and Applications. Prentice Hall. New Jersey.
MARTÍNEZ AGUADO et al. (1999) Proyecto ECONOMETRIST. D11:

Ejemplo de Aplicación Nacional. SEC-UCLM. Toledo.
TARANCÓN MORÁN, M.A. (2000) Practicas de Econometría para PC.

Mancha. Toledo.
7 8
32
Elementos de Econometría Hetroscedasticity Test(s):
Ejemplo de tratamiento de la autocorrelación en los residuos Breusch-Pagan Test: F( 2, 17)= 0.7499, Chi-Sqr( 2) = 1.6214
Tema 4 mínimo-cuadráticos: modelo de determinación del número
de Asalariados en el Sector Primario. Structural Stability Test, Based On 3 Subperiods

Break Point(s): 199001 199601
En este ejemplo se comentará la problemática de la autocorrelación en las
perturbaciones aleatorias de la estimación mínimo-cuadrática de un modelo A la luz de los contrastes de Durbin-Watson, Box-Pierce, Ljung-Box y Breusch-
econométrico uniecuacional: detección del problema, métodos de estimación con Godfrey, no se verifica la hipótesis de ausencia de autocorrelación en las
corrección del efecto de dicha autocorrelación, y previsión con el modelo corregido. perturbaciones, por lo que se ha de admitir la existencia de un problema de
autocorrelación en las perturbaciones aleatorias del modelo. Así por ejemplo,
La existencia de autocorrelación en las perturbaciones del modelo lineal provocará, en centrándonos en el contraste de Durbin y Watson, el valor del estadístico se sitúa por
la estimación de mínimos cuadrados ordinarios (MCO), una pérdida de precisión debajo de los dos valores dl y dv tabulados (valores al 95% de confianza), lo que
(eficiencia) en los estimadores, es decir, un aumento en el valor de sus desviaciones confirma la existencia de autocorrelación:
típicas.
4
Para ilustrar este tipo de problemática, se estimará una ecuación de explicación del Zona de autocorrelación
número de asalariados en el sector primario (ASALAG), en función del valor añadido 4-dl
del sector, a precios básicos (VAAG), y del deflactor del valor añadido (PVAAG). Zona de duda
4-dv
Zona ausencia autocorrelación
Diagnóstico del modelo: detección de la autocorrelación en las 2
perturbaciones, y del esquema de autocorrelación. dv=1,54

Zona de duda
dl=1,10
Se ha estimado el modelo anterior por la técnica de mínimos cuadrados ordinarios. Los
d= 0,69 Zona de autocorrelación
resultados de la estimación se muestran a continuación: 0
Equation Number: 1
Number of Observations: 20 En el resto de los contrastes, los valores de los estadísticos superan ampliamente el
valor tabulado de la distribución Ji-Cuadrado con un grado de libertad, que al 95% es de
asalag=C1*vaag+C2*pvaag+C3 3,84.
C1) -0.00790 -1.21128 0.00653 19043.100 El contraste de Durbin-Watson, así como el resto de contrastes en la implementación
C2) -3.7923 -3.28780 1.15344 81.870 realizada por el software utilizado, detecta la relación entre residuos consecutivos que
C3) 919.26 14.67353 62.64756 1.000 sigue un patrón o esquema autorregresivo de orden 1, o esquema AR(1):
Standard Error= 35.975077 Percent Error= 7.85% ut = φ1 ut-1 + εt (1)
Max LLF= -98.41011 F-Statistic: F( 2, 17)= 40.5543 con εt una perturbación aleatoria de tipo ruido blanco, y φ1 un parámetro que, en
DW Statistic= 0.69389 términos absolutos, es menor que 1.
Residuals Properties Tests: Vamos a comprobar que la autocorrelación presente en el vector de perturbaciones
Jarque-Bera Test: Chi-Sqr( 2) = 1.2342 aleatorias sigue un esquema AR(1). Para ello, nos vamos a valer del estudio de los
Ljung-Box Test: Chi-Sqr( 1) = 8.5718 autocorrelogramas de los residuos mínimo-cuadráticos. Los autocorrelogramas total y
Breusch-Godfrey Test: F( 1, 16)= 12.0949, Chi-Sqr( 1) = 8.6100 parcial de la serie de residuos del modelo original se muestra a continuación:
1 2
33
 1 φ1 ... φ1n −1 
 
φ 1 ... ... 
Σ = γ 0Ω = γ 0  1 (3)
 ... ... ... ... 
 n −1 
φ1 ... ... 1 
En estos casos, una opción que mejora la calidad de la estimación por mínimos
cuadrados ordinarios (MCO) la estimación del modelo por el método de mínimos
cuadrados generalizados (MCG), método que corrige los efectos derivados de la pérdida
de eficiencia de los estimadores mínimo cuadráticos motivada por la existencia de una
matriz de varianzas y covarianzas de las perturbaciones no escalar. La estimación de la
matriz de autocorrelaciones es necesaria para la aplicación de método, ya que los
estimadores MCG se calculan mediante una expresión en la que interviene su inversa:
βˆ (Ω ) = (X ' Ω −1 X ) X ' Ω −1 y
−1
(4)
Por tanto, es necesario estimar el parámetro φ1 cuyo valor coincide con el parámetro del
esquema AR(1). Existen varios métodos de estimación del valor de este parámetro. En
Los autocorrelogramas muestran una forma típica de un esquema AR(1): la primera este ejemplo se ha aplicado el método exploratorio de Hildreth-Lu, que suele ser más
autocorrelación parcial significativa, y las autocorrelaciones totales descendiendo eficiente que otros.
geométricamente, presentando un esquema sinusoidal.
Operativamente, ¿cómo se obtienen los estimadores MCG? Para explicarlo, podemos
Por tanto, conviene estimar el modelo incorporando un esquema AR(1) que corrija el partir del modelo lineal en su especificación original:
efecto de la autocorrelación sobre la calidad de los estimadores (recuperación de
eficiencia). Esto equivale a estimar el modelo por la técnica de mínimos cuadrados
y t = xt1 β 1 + xt 2 β 2 + ... + xtk β k + u t (5)
generalizados. Esta estimación se presentará en el siguiente apartado.
Multiplicando la ecuación correspondiente a la observación anterior por el parámetro φ1

Estimación del modelo con incorporación de un esquema de tendremos:
autocorrelación: mínimos cuadrados generalizados. φ1 y t −1 = φ1 (x( t −1)1 β 1 + x (t −1) 2 β 2 + ... + x ( t −1) k β k + u t −1 ) (6)
Restando la ecuación (6) a la ecuación (5), tendremos:

La identificación un esquema autorregresivo de primer orden AR(1) en el
comportamiento de las perturbaciones aleatorias equivale a afirmar que la matriz de ( yt − φ1 yt −1 ) = (xt1 − φ1 x(t −1)1 )β 1 + (xt 2 − φ1 x(t −1) 2 )β 2 + ... + (xtk − φ1 x(t −1) k )β k + ε t (7)
varianzas y covarianzas del vector que recoge a estas perturbaciones presenta una forma
tal como esta: donde la perturbación aleatoria:
ε t = u t − φ1u t −1 (8)
 γ0 φ1 γ 0 ... φ γ 
1
n −1
0
 
φ γ γ 0 ... ... 
Σ= 1 0
se deduce a partir del esquema autorregresivo (1).
(2)
 ... ... ... ... 
 n −1  Una vez estimado el parámetro φ1 por alguno de los métodos existentes, la ecuación
φ1 γ 0 ... ... γ 0 
anterior queda como:
Sacando factor común la varianza (elemento de la diagonal principal), obtendremos la
matriz Ω de autocorrelaciones:
(y t ) ( ) ( ) ( )
− φˆ1 y t −1 = xt1 − φˆ1 x( t −1)1 β1 + xt 2 − φˆ1 x (t −1) 2 β 2 + ... + xtk − φˆ1 x( t −1) k β k + ε t (9)
Llamando a los paréntesis (transformaciones de las variables del modelo original) de la

siguiente forma:
z t = y t − φˆ1 y t −1 (10)
3 4
34
wtj = xtj − φˆ1 x( t −1) j (11)
4
La ecuación (8) quedará como: Zona de autocorrelación
4-dl
z t = wt1 β 1 + wt 2 β 2 + ... + wtk β k + ε t (11) Zona de duda

4-dv
Esta ecuación puede estimarse por mínimos cuadrados ordinarios (MCO) sin que se 2
resienta la propiedad de eficiencia de los estimadores, ya que la perturbación aleatoria d= 1,96
de este modelo cumple con las hipótesis del modelo lineal (matriz de varianzas y dv=1,54
covarianzas escalar). Zona de duda
dl=1,10
Siguiendo este proceso, se ha estimado el modelo de determinación de los asalariados Zona de autocorrelación
en el sector primario. A continuación se muestran los resultados de la estimación. El 0
parámetro φ1 se ha estimado mediante el procedimiento exploratorio de Hildreth-Lu
(Nota: el software utilizado lo denomina parámetro RHO):
El análisis de los autocorrelogramas de los residuos εt de este modelo, estimado a partir
de los datos transformados (ecuación (11), confirma la ausencia de autocorrelación:
Equation Number: 2
Autoregressive Corrections: Hildreth-Lu Technique
asalag=C1*vaag+C2*pvaag+C3

C1) 0.00065 0.09527 0.00684 19043.100
C2) -0.97533 -0.53675 1.81710 81.870
C3) 477.64 1.65198 289.13472 1.000


La inclusión del esquema de autocorrelación AR(1) implica la realización, a la hora de
utilizar el modelo a efectos de predicción, de distintas operaciones previas. Este último
Por tanto, el valor estimado del parámetro φ1 es 0,8642. tema es tratado en el siguiente apartado.
Puede comprobarse cómo los contrastes de verificación de la hipótesis básica de

ausencia de autocorrelación confirman el cumplimiento de esta hipótesis.
5 6
35
Predicción con un modelo uniecuacional que incorpora un
esquema de autocorrelación AR(1). Anexo. Series de Datos del Modelo EPSER2.MOD.
SERIES: ASALAG UNITS: MILE SOURCE: INE/DGPC

En el apartado anterior se ha expuesto el proceso de estimación de un modelo con ASALARIADOS AGRICULTURA Y PESCA
incorporación de un esquema de autocorrelación de tipo AR(1). Una vez estimados
tanto el parámetro φ1 como los parámetros estructurales que integran el vector β, ANNUAL DATA
1964/1969 1249.2 1218.1 1178.2 1138.3 1130.3 1137.9
tenemos, a partir de la ecuación (7), la ecuación: 1970/1975 1102.1 1045.6 996.5 973.6 953.5 884.2
1976/1981 813.2 754.5 728.8 672.8 616.7 581.3
(y t ) ( ) ( ) ( )
− φˆ1 y t −1 = xt1 − φˆ1 x( t −1)1 βˆ1 + xt 2 − φˆ1 x (t −1) 2 βˆ 2 + ... + xtk − φˆ1 x( t −1) k βˆ k + εˆt (12)
1982/1987
1988/1993
578.2
541.5
575.0
487.8
534.0
472.1
575.3
464.5
546.3
400.5
538.8
371.5
1994/1999 364.3 357.3 354.9 397.1 404.0 399.7
2000/2001 394.5 408.2
A partir de aquí, podrá establecerse la predicción de la variable endógena como:
( ) ( ) ( )
yˆ t = xt1 − φˆ1 x( t −1)1 βˆ1 + xt 2 − φˆ1 x( t −1) 2 βˆ 2 + ... + xtk − φˆ1 x( t −1) k βˆ k + φˆ1 y t −1 (13) SERIES: VAAG UNITS: MILL SOURCE: INSTITUT
VAB PB AGRICULTURA,CAZA,SILVICULTURA Y PESCA.PRECIOS CONSTANTES 1995.
ANNUAL DATA
Reorganizando la ecuación anterior: 1980/1985 15738 14094 14096 14891 15853 15988
1986/1991 15431 17709 19259 18352 19336 20059
(
yˆ t = xt1 βˆ1 + xt 2 βˆ 2 + ... + xtk βˆ k + φˆ1 y t −1 − x( t −1)1 βˆ − x( t −1) 2 βˆ 2 − ... − x( t −1) k βˆ k ) (14)
1992/1997
1998/2002
20260
22329
20832
21194
19846
21568
18630
20860
21901
21068
22468
Que será la ecuación utilizada para realizar la previsión. En el caso del modelo de SERIES: PVAAG SOURCE: E.P.
determinación del número de asalariados en el sector primario, esta ecuación es: DEFLACTOR VAB PB AGRICULTURA,CAZA,SILVICULTURA Y PESCA.
ANNUAL DATA
ASALAGt = C1*VAAGt + C2*PVAAGt + C3 + RHO*(ASALAGt-1 -C1*VAAGt-1 -C2*PVAAGt-1 -C3)
1980/1985 43.00 46.06 53.67 56.38 62.47 64.51
1986/1991 73.33 71.29 74.40 80.97 84.61 83.58
Aplicando esta ecuación para la previsión del número de asalariados del año 2002, 1992/1997 78.34 84.23 93.07 100.00 98.39 95.41
tendremos: 1998/2002 94.80 93.91 93.31 100.74 100.48
ASALAG2002 = 0,00065*21068 –0,97533*100,48 +477,64 +

SERIES: RESID1 SOURCE: E.P.
+0,8642*(408,2 -0,00065*20860 –0,97533*100,74 –477,64)= 406,5
SAVE RESIDUALS AS RESID1
ANNUAL DATA
1982/1987 -26.127 -12.746 -23.068 27.047 27.076 29.863
1988/1993 56.608 20.636 26.546 20.733 -61.557 -63.701
1994/1999 -45.169 -35.487 -18.171 17.229 20.723 4.124
2000/2001 -0.370 35.813
SERIES: RESID2 SOURCE: E.P.

ANNUAL DATA
1983/1988 18.448 -16.320 57.730 0.353 6.703 20.905
1989/1994 -29.883 -2.303 -0.337 -61.732 -25.521 -3.037
1995/2000 -4.266 -10.873 33.371 6.090 -3.800 -6.022
2001 20.495
Referencias:
TARANCÓN MORÁN, M.A. (2000) Practicas de Econometría para PC.

Mancha. Toledo.
7 8
36
Tema 4 Esquemas de Autocorrelación AR(1), MA(1) y ARMA(1,1). Esquema de autocorrelación AR(2)

u t = φ1u t −1 + φ 2 u t − 2 + ε t
Correlograma Total (ρh) Correlograma Parcial (φhh)
+1 +1
En las siguientes páginas se recoge la especificación de algunos esquemas de

autocorrelación, así como los correspondientes autocorrelogramas totales y parciales
teóricos o poblacionales.
h=18 h=18
Nomenclatura:
ui variable aleatoria estacionaria ‘ruido rojo’

εi variable aleatoria estacionaria ‘ruido blanco’
ρh autocorrelación total de orden h -1 -1
φhh autocorrelación parcial de orden h

+1 +1
Esquema de autocorrelación AR(1)

u t = φ1u t −1 + ε t
+1 +1
h=18 h=18
h=18 h=18 -1 -1
+1 +1
-1 -1
+1 +1
h=18 h=18
h=18 h=18 -1 -1
+1 +1
-1 -1
h=18 h=18
-1 -1
1 2
37
Esquema de autocorrelación MA(2)
u t = ε t − ο 1ε t −1 − ο 2 ε t − 2
+1 +1
h=18 h=18
Esquema de autocorrelación MA(1)

u t = ε t − ο 1ε t −1
+1 +1 -1 -1
+1 +1
h=18 h=18
h=18 h=18
-1 -1
+1 +1 -1 -1
+1 +1
h=18 h=18
h=18 h=18
-1 -1
-1 -1
+1 +1
h=18 h=18
-1 -1
3 4
38
Esquema de autocorrelación ARMA(1,1) Esquema de autocorrelación ARMA(1,1)
u t = φ1u t −1 + ε t − ο 1ε t −1 u t = φ1u t −1 + ε t − ο 1ε t −1
Correlograma Total (ρh) Correlograma Parcial (φhh) Correlograma Total (ρh) Correlograma Parcial (φhh)
+1 +1 +1 +1
h=18 h=18 h=18 h=18
-1 -1 -1 -1
+1 +1 +1 +1
h=18 h=18
h=18 h=18
-1 -1
-1 -1
+1 +1
+1 +1
h=18 h=18
h=18 h=18
-1 -1
-1 -1
Referencias: ANDERSON, O.D. (1976) Time Series Análisis and Forecasting.

The Box-Jenkins Approach. Ed. Butterworths. London and Boston.
5 6
39
Elementos de Econometría Deflación de las series de datos.
Ejemplo de tratamiento de la heteroscedasticidad en los
Tema 5 residuos mínimo-cuadráticos: modelo de las ventas de
ramas productivas en función del esfuerzo en I+D1.
En la siguiente estimación, se ha optado por deflactar cada una de las series (ventas y
gastos de I+D por ramas productivas) utilizando una variable de “tamaño”. Como
variable de “tamaño” se ha escogido el número de empresas que componen cada una de
Dados los resultados de la estimación por MCO de un modelo econométrico en el que las 31 ramas productivas consideradas.
se consideran las cifras de ventas para las empresas de 31 ramas productivas de la
industria española en función de los gastos totales en investigación y desarrollo (I+D)
para cada una de dichas ramas:
EQUATION NUMBER: 2
SAMPLE PERIOD: 1-31
EQUATION NUMBER: 1 NUMBER OF OBSERVATIONS: 31
SAMPLE PERIOD: 1-31 ORDINARY LEAST SQUARES
ORDINARY LEAST SQUARES ventas/tamano=C1*gastid/tamano+C2
ventas=C1*gastid+C2 PARAMETER T-STATISTIC STD ERROR MEAN

C1) 75.314 2.50200 30.10131 54.825
PARAMETER T-STATISTIC STD ERROR MEAN C2) 2973.9 .67009 4438.05597 1.000
C1) 51.158 7.06031 7.24583 20007.742
C2) 356130 1.56168 228042.23071 1.000 VARIANCE= .52615730E+09 DEPENDENT MEAN= 7103.0
STANDARD ERROR=22938.12000000 PERCENT ERROR= .32E+03
VARIANCE= .96057070E+12 DEPENDENT MEAN= .13797E+07 R-SQUARE= .1775 R-BAR-SQUARE= .1492
STANDARD ERROR=************** PERCENT ERROR= .71E+02 MAX LLF= -354.21060 F-STATISTIC: F( 1, 29)= 6.2600
R-SQUARE= .6322 R-BAR-SQUARE= .6195 DW STATISTIC= 2.02078
DW STATISTIC= 1.41222 RESIDUALS PROPERTIES TESTS:
JARQUE-BERA TEST: CHI-SQR( 2) = 158.3180
RESIDUALS PROPERTIES TESTS: BOX-PIERCE TEST: CHI-SQR( 2) = .0619
JARQUE-BERA TEST: CHI-SQR( 2) = 3.0630 LJUNG-BOX TEST: CHI-SQR( 2) = .0703
BOX-PIERCE TEST: CHI-SQR( 2) = 2.5815
LJUNG-BOX TEST: CHI-SQR( 2) = 2.8619 BREUSCH-GODFREY TEST: F( 1, 28) = .0040, CHI-SQR( 1) = .0045
BREUSCH-GODFREY TEST: F( 1, 28) = 1.6091, CHI-SQR( 1) = 1.6847 FUNCTIONAL FORM TEST(S):

RAMSEY RESET TEST: F( 1, 28) = 30.8686, CHI-SQR( 1) = 16.2553
FUNCTIONAL FORM TEST(S):
RAMSEY RESET TEST: F( 1, 28) = 2.5533, CHI-SQR( 1) = 2.5906 HETROSCEDASTICITY TEST(S):
BREUSCH-PAGAN TEST: F( 1, 29) = 19.9873, CHI-SQR( 1) = 12.6483
HETROSCEDASTICITY TEST(S): ARCH PROCESS TEST: F( 2, 27) = .2144, CHI-SQR( 2) = .4535
ARCH PROCESS TEST: F( 2, 27) = .0923, CHI-SQR( 2) = .1969
Puede comprobarse como persiste el problema de heteroscedasticidad en las

El contraste de heteroscedasticidad de Breusch-Pagan indica heteroscedasticidad en el perturbaciones.
vector de perturbaciones aleatorias.
A continuación se muestran distintas técnicas para intentar subsanar el problema que

supone el incumplimiento de la hipótesis básica de homoscedasticidad en las
perturbaciones:
1
Este ejemplo ha sido desarrollado por la profesora María José Calderón Milán, de la UCLM.
1 2
40
En la siguiente estimación, se ha optado por deflactar cada una de las series (ventas y Transformación de datos de Box-Cox.
gastos de I+D por ramas productivas) utilizando una variable que nos indique la
intensidad innovadora de cada una de las ramas productivas, obteniendo estos
resultados:
En la siguiente estimación, se ha decidido tomar las variables en logaritmos para reducir
así la variabilidad de las series incluidas en la especificación del modelo.
EQUATION NUMBER: 3
ORDINARY LEAST SQUARES EQUATION NUMBER: 4
SAMPLE PERIOD: 1-31
ventas/intid=C1*gastid/intid+C2 NUMBER OF OBSERVATIONS: 31
C1) 79.086 6.88863 11.48069 28903.047 ln(ventas)=C1*ln(gastid)+C2
C2) 930969 1.28062 726966.36109 1.000
VARIANCE= .12969500E+14 DEPENDENT MEAN= .32168E+07 C1) 0.60289 5.11531 .11786 9.275
STANDARD ERROR=************** PERCENT ERROR= .11E+03 C2) 8.0155 7.26469 1.10335 1.000
MAX LLF= -510.95451 F-STATISTIC: F( 1, 29)= 47.4533 VARIANCE= .69236045E+00 DEPENDENT MEAN= 13.607
DW STATISTIC= 1.90340 STANDARD ERROR= .83208200 PERCENT ERROR= 6.1
RESIDUALS PROPERTIES TESTS: MAX LLF= -37.25483 F-STATISTIC: F( 1, 29)= 26.1664
JARQUE-BERA TEST: CHI-SQR( 2) = 190.6240 DW STATISTIC= 2.05120
BOX-PIERCE TEST: CHI-SQR( 2) = .1143
LJUNG-BOX TEST: CHI-SQR( 2) = .1299 RESIDUALS PROPERTIES TESTS:
BREUSCH-GODFREY TEST: F( 1, 28) = .0080, CHI-SQR( 1) = .0088 JARQUE-BERA TEST: CHI-SQR( 2) = 1.5901
BOX-PIERCE TEST: CHI-SQR( 2) = 6.7236
FUNCTIONAL FORM TEST(S): LJUNG-BOX TEST: CHI-SQR( 2) = 7.4035
RAMSEY RESET TEST: F( 1, 28) = .5642, CHI-SQR( 1) = .6124
BREUSCH-GODFREY TEST: F( 1, 28) = 7.2912, CHI-SQR( 1) = 6.4047
BREUSCH-PAGAN TEST: F( 1, 29) = .0962, CHI-SQR( 1) = .1024 FUNCTIONAL FORM TEST(S):
ARCH PROCESS TEST: F( 2, 27) = .1245, CHI-SQR( 2) = .2649 RAMSEY RESET TEST: F( 1, 28) = .0088, CHI-SQR( 1) = .0098
STRUCTURAL STABILITY TEST, BASED ON 3 SUBPERIODS: HETROSCEDASTICITY TEST(S):

INTERCEPT PARAMETERS: F( 2, 27)= 1.4660 BREUSCH-PAGAN TEST: F( 1, 29) = .1425, CHI-SQR( 1) = .1516
SLOPE PARAMETERS: F( 2, 25)= .0554 ARCH PROCESS TEST: F( 2, 27) = 1.5511, CHI-SQR( 2) = 2.9886
ALL PARAMETERS: F( 4, 25)= .7094
BREAK POINT(S): 191201 192201
Con lo que también se corrige, a la luz del contraste de Breusch-Pagan, el problema.

En este caso si se corrige el problema de heteroscedasticidad.
3 4
41
2. EQUATION NUMBER: 2
Esquemas heteroscedásticos: propuesta de Glejser. SAMPLE PERIOD: 1-31
abresid1=C1*(gastid**0.5)+C2
La propuesta de Glejser para corregir la heterocedasticidad parte de considerar PARAMETER T-STATISTIC STD ERROR MEAN
regresiones alternativas en las que se hacen depender los residuos en valor absoluto C1) 5612.7 3.78611 1482.45448 122.680
C2) -35512 -.16936 209691.29418 1.000
estimados en el modelo original de un término constante y una de las variables (o
transformación de ésta) incluida como explicativa en el modelo de partida. Para aplicar VARIANCE= .33773091E+12 DEPENDENT MEAN= .65306E+06
STANDARD ERROR=************** PERCENT ERROR= .89E+02
esta metodología se han incluido cuatro estimaciones alternativas: R-SQUARE= .3308 R-BAR-SQUARE= .3077
RESIDUALS PROPERTIES TESTS:

1. u$ i = c1 * gastid i + c 2 + ε i BOX-PIERCE TEST: CHI-SQR( 2) = .0876
LJUNG-BOX TEST: CHI-SQR( 2) = .0980
BREUSCH-GODFREY TEST: F( 1, 28) = .0313, CHI-SQR( 1) = .0346

2. u$ i = c1 * gastid i + c 2 + ε i
RAMSEY RESET TEST: F( 1, 28) = .9471, CHI-SQR( 1) = 1.0143
1
3. u$ i = c1 * + c2 + εi HETROSCEDASTICITY TEST(S):
gastid i
ARCH PROCESS TEST: F( 2, 27) = .6651, CHI-SQR( 2) = 1.3616
1
4. u$ i = c1 * + c2 + εi
gastid i
********************************************************************************
Los resultados de dichas estimaciones son las que se recogen a continuación: 3. EQUATION NUMBER: 3
SAMPLE PERIOD: 1-31
1. EQUATION NUMBER: 1 ORDINARY LEAST SQUARES
SAMPLE PERIOD: 1-31
NUMBER OF OBSERVATIONS: 31 abresid1=C1*1/gastid+C2
abresid1=C1*gastid+C2 C1) -57392080 -.61692 93030077.17550 .000
C2) 674394 5.13255 131395.48151 1.000
C1) 16.787 3.97166 4.22682 20007.742 VARIANCE= .49813336E+12 DEPENDENT MEAN= .65306E+06
C2) 317180 2.38433 133027.12651 1.000 STANDARD ERROR=************** PERCENT ERROR= .11E+03
R-SQUARE= .0130 R-BAR-SQUARE= -.0211
VARIANCE= .32687311E+12 DEPENDENT MEAN= .65306E+06 MAX LLF= -460.43245 F-STATISTIC: F( 1, 29)= .3806
STANDARD ERROR=************** PERCENT ERROR= .88E+02 DW STATISTIC= 1.82688
MAX LLF= -453.90237 F-STATISTIC: F( 1, 29)= 15.7741 RESIDUALS PROPERTIES TESTS:
DW STATISTIC= 1.81246 JARQUE-BERA TEST: CHI-SQR( 2) = 9.4217
RESIDUALS PROPERTIES TESTS: LJUNG-BOX TEST: CHI-SQR( 2) = .3012
BOX-PIERCE TEST: CHI-SQR( 2) = .4150 BREUSCH-GODFREY TEST: F( 1, 28) = .0097, CHI-SQR( 1) = .0108
BREUSCH-GODFREY TEST: F( 1, 28) = .0358, CHI-SQR( 1) = .0396 RAMSEY RESET TEST: F( 1, 28) = 3.4647, CHI-SQR( 1) = 3.4135
FUNCTIONAL FORM TEST(S): HETROSCEDASTICITY TEST(S):

RAMSEY RESET TEST: F( 1, 28) = .2136, CHI-SQR( 1) = .2347 BREUSCH-PAGAN TEST: F( 1, 29) = .5272, CHI-SQR( 1) = .5534
ARCH PROCESS TEST: F( 2, 27) = 1.2467, CHI-SQR( 2) = 2.4517
ARCH PROCESS TEST: F( 2, 27) = 1.3237, CHI-SQR( 2) = 2.5896 **********************************************************************************
*******************************************************************************
5 6
42
4. EQUATION NUMBER: 4
SAMPLE PERIOD: 1-31
abresid1=C1*(gastid**(-0.5))+C2

C1) -10148670 -1.18721 8548307.60730 .013
C2) 781141 4.73950 164815.14470 1.000

RESIDUALS PROPERTIES TESTS:

BREUSCH-GODFREY TEST: F( 1, 28) = .0800, CHI-SQR( 1) = .0883

RAMSEY RESET TEST: F( 1, 28) = 5.3662, CHI-SQR( 1) = 4.9857
ARCH PROCESS TEST: F( 2, 27) = .8997, CHI-SQR( 2) = 1.8119
A la luz de los coeficientes de determinación de las 4 estimaciones parece el primer

esquema el más acorde con el comportamiento de las perturbaciones aleatorias del
modelo. A partir de éste se generaría la matriz de transformación de los datos del
modelo principal.
Referencias:
CALDERÓN MILÁN, M.J. (1999) Ejercicios de Econometría. Mímeo.
7
43
Tema 6 Ejemplo de modelo univariante de series temporales Identificación del Modelo.

(ARIMA) I: modelo del Índice de Precios Industriales.
Parámetros λ y d: transformación de la serie de datos a modelizar.
En este ejemplo vamos a estimar un modelo univariante de series temporales (ARIMA) La identificación del modelo puede entenderse como la cuantificación de los parámetros
del Índice de Precios Industriales (IPRI), cuya gráfica se muestra a continuación: p, d, q y λ, dada la especificación general del modelo:
108 ARIMA (p,d,q) λ
104 Los primeros parámetros a determinar son λ y d, que nos indican las transformaciones
previas a las que hay que someter a los datos de la variable económica a modelizar, a fin
100 de conseguir que esta variable se transforme en estacionaria.
96 Esto es necesario ya que, como sabemos, los esquemas univariantes de series

temporales sirven para representar (y por tanto modelizar) el comportamiento de
92 “procesos estocásticos estacionarios”, en virtud del Teorema de Wald. En este sentido,
conviene recordar que un proceso estocástico estacionario puede ser entendido como un
88 vector compuesto de variables aleatorias estacionarias ordenadas (por el tiempo), y que
son, consideradas en su conjunto, estacionarias (media y varianzas constantes, y
84 covarianzas entre variables separadas un mismo número de observaciones constantes,
algo que vamos a asumir como cierto). Desgraciadamente pocas variables económicas
80 se comportan como procesos estocásticos estacionarios, debiendo ser previamente
transformadas para cumplir con esta condición.
76
1990 1992 1994 1996 1998 2000 2002 2004 El valor de λ será el correspondiente a la transformación instantánea de datos
(transformación de Box-Cox) que posibilita la estacionariedad en la varianza de la serie
IPRI a modelizar. Usualmente se admite λ=0, es decir, la transformación logarítmica de los
datos (serie de datos LIPRI).
El valor de d es el correspondiente al número de diferencias a las que hay que someter a

En primer lugar se procederá a transformar la serie IPRI para convertirla en estacionaria la serie, una vez transformada según el valor de λ, para lograr la estacionariedad en la
y se analizarán los autocorrelogramas correspondientes. En base a éstos se propondrá media (serie sin pendiente).
una especificación del modelo (proceso de identificación).
Realizando unas primeras diferencias (λ=0 y d=1), obtendremos una serie (DLIPRI) con
Una vez estimado el modelo conforme a la especificación anterior se analizará la la siguiente representación gráfica:
significación estadística de los parámetros, se analizarán los correlogramas de los
residuos para comprobar que se cumple la condición de ausencia de autocorrelación
(comportamiento de ‘ruido blanco’), y se comparará el modelo con la estimación de
otras especificaciones alternativas.
1 2
44
.016
En esta ocasión sí se aprecia con claridad la estacionariedad de la serie de datos
DDLIPRI. Por tanto, esta es la variable que modelizaremos de acuerdo a un esquema
.012 ARIMA (p,q).
.008
Parámetros p y q: orden de los esquemas autorregresivo y de medias

.004
móviles.
.000
Para determinar el valor de los parámetros p (orden de los retardos del esquema
-.004 autorregresivo) y q (orden de los retardos del esquema de medias móviles), se parte del
análisis de los autocorrelogramas total y parcial muestrales de la variable a modelizar,
-.008 una vez sus datos han sido convenientemente transformados para que la serie de datos
pueda ser interpretada como la realización de un proceso estocástico estacionario (es
decir, media y varianza constantes).
-.012
1990 1992 1994 1996 1998 2000 2002 2004 Para ello se comparan los autocorrelogramas muestrales con los autocorrelogramas
teóricos correspondientes a los distintos esquemas ARMA(p,q). Los autocorrelogramas
DLIPRI de nuestra serie estacionaria DDLIPRI se muestran a continuación:
Podemos comprobar como es dudosa la confirmación de la existencia de DDLIPRI

estacionariedad en la media. Por tanto, vamos a proceder a la realización de unas Sample: 1990M01 2004M12
segundas diferencias (serie de datos DDLIPRI): Included observations: 172
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
*|. | *|. | 1 -0.174 -0.174 5.3190 0.021

.015
**|. | **|. | 2 -0.279 -0.319 19.041 0.000
*|. | **|. | 3 -0.113 -0.267 21.291 0.000
.010 .|* | *|. | 4 0.078 -0.137 22.374 0.000
.|. | *|. | 5 0.000 -0.166 22.374 0.000
.005 .|. | *|. | 6 0.038 -0.065 22.638 0.001
*|. | *|. | 7 -0.084 -0.166 23.911 0.001
.|* | .|. | 8 0.115 0.040 26.334 0.001
.000
.|. | *|. | 9 -0.052 -0.082 26.828 0.001
*|. | *|. | 10 -0.110 -0.157 29.049 0.001
-.005
-.010
Los autocorrelogramas no permiten determinar de una forma clara un patrón de
comportamiento que nos ayude a proponer un esquema de autocorrelación. A pesar de
-.015
ello, hemos optado por seleccionar un esquema mixto ARMA(1,1), debido al perfil
ondulante de las autocorrelaciones (en especial las totales). Bajo esta hipótesis, p=1 y
-.020 q=1.
1990 1992 1994 1996 1998 2000 2002 2004
DDLIPRI
3 4
45
Estimación del Modelo. Contraste y Validación del Modelo.
Una vez identificados los parámetros del modelo, la especificación del modelo es:
Existe una gran variedad de pruebas de contraste y validación del modelo propuesto,
tales como el contraste de significación estadística de los parámetros (test de la t de
ARIMA(1,2,1)0 Student), o la verificación de que los residuos del modelo verifican la hipótesis básica
de ausencia de autocorrelación en el vector de perturbaciones aleatorias del modelo.
O bien la fórmula:
En cuanto a la prueba de significación de los parámetros del modelo, los elevados
∇ 2 ln( IPRI ) t = φ1∇ 2 ln( IPRI ) t −1 + u t − οu t −1 valores de los estadísticos t en valor absoluto (6,65 y 96,86) aseguran su significación,
al estar muy por encima de los valores tabulados de la distribución t – Student. Por esto,
en principio, tanto el parámetro de la parte autorregresiva φ1 como el parámetro de la
donde los parámetros φ1 y ο1 son los parámetros a estimar, y la expresión ∇ 2 ln( IPRI ) t
parte de medias móviles ο1 tienen justificada su especificación en el modelo propuesto,
es lo que hemos llamado anteriormente variable DDLIPRIt . Tras efectuar la estimación y también, evidentemente, la de los retardos a los que vienen asociados.
con el software E-Views, los resultados obtenidos son los siguientes:
Respecto a la necesidad de que los residuos del modelo, tomados como estimaciones de
la perturbación aleatoria, deban gozar de la condición de ausencia de autocorrelación,
comportamiento conocido como de ‘ruido blanco’, vemos como también se cumple, al
Dependent Variable: DDLIPRI estar los valores de las autocorrelaciones por debajo de las bandas de significación:
Method: Least Squares
Sample (adjusted): 1990M04 2004M06
Included observations: 171 after adjustments
Date: 12/08/04 Time: 21:06
Convergence achieved after 12 iterations
Sample: 1990M04 2004M06
Backcast: 1989M12
Included observations: 171
Q-statistic
Variable Coefficient Std. Error t-Statistic Prob. probabilities
adjusted for 2 ARMA
AR(1) 0.455433 0.068398 6.658601 0.0000 term(s)
MA(1) -0.985489 0.010174 -96.86574 0.0000
R-squared 0.260639 Mean dependent var 2.03E-05
Adjusted R-squared 0.256264 S.D. dependent var 0.003747 .|. | .|. | 1 0.064 0.064 0.7228
S.E. of regression 0.003231 Akaike info criterion -8.620125 *|. | *|. | 2 -0.132 -0.136 3.7557
Sum squared resid 0.001765 Schwarz criterion -8.583380 *|. | .|. | 3 -0.061 -0.043 4.4053 0.036
Log likelihood 739.0207 Durbin-Watson stat 1.862968 .|* | .|* | 4 0.096 0.087 6.0359 0.049
.|. | .|. | 5 0.063 0.038 6.7468 0.080
.|* | .|* | 6 0.084 0.100 8.0020 0.092
.|. | .|. | 7 -0.029 -0.020 8.1531 0.148
Con lo que la ecuación estimada es: .|* | .|* | 8 0.097 0.124 9.8503 0.131
.|. | .|. | 9 -0.032 -0.055 10.035 0.187
2 2
∇ ln( IPRI ) t = 0,455433 ⋅ ∇ ln( IPRI ) t −1 + uˆ t − 0,985489 ⋅ u t −1 *|. | .|. | 10 -0.064 -0.055 10.786 0.214
Queda comprobar lo idóneo del esquema seleccionado, para lo cuál realizaremos

algunas pruebas de contraste y validación del modelo.
Por último, hemos estimado dos modelos alternativos: uno en el que la variable
estacionaria DDLIPRI se modeliza de acuerdo con un esquema AR(1), y otro en el que
se propone un esquema MA(1). A continuación se muestran ambas estimaciones, así
como los autocorrelogramas de los residuos de ambos modelos:
5 6
46
Dependent Variable: DDLIPRI
Dependent Variable: DDLIPRI
Backcast: 1989M12
Variable Coefficient Std. Error t-Statistic Prob.
Variable Coefficient Std. Error t-Statistic Prob.

MA(1) -0.746405 0.051022 -14.62917 0.0000
AR(1) -0.176672 0.075583 -2.337457 0.0206

R-squared 0.143495 Mean dependent var -9.36E-06
Adjusted R-squared 0.143495 S.D. dependent var 0.003756
R-squared 0.031110 Mean dependent var 2.03E-05
S.E. of regression 0.003476 Akaike info criterion -8.479857
Sum squared resid 0.002067 Schwarz criterion -8.461558
S.E. of regression 0.003688 Akaike info criterion -8.361456
Log likelihood 730.2677 Durbin-Watson stat 1.461407
Log likelihood 715.9045 Durbin-Watson stat 2.091559
Sample: 1990M03 2004M06
Q-statistic
probabilities
adjusted for 1 ARMA
Sample: 1990M04 2004M06 term(s)
Q-statistic
probabilities
adjusted for 1 ARMA .|** | .|** |
term(s) 1 0.261 0.261 11.919
*|. | **|. | 2 -0.173 -0.259 17.188 0.000
Autocorrelation Partial Correlation AC PAC Q-Stat Prob *|. | *|. | 3 -0.185 -0.070 23.242 0.000
.|. | .|. | 4 -0.034 0.001 23.447 0.000
.|. | .|. | 1 -0.054 -0.054 0.5018 .|. | *|. | 5 -0.010 -0.064 23.464 0.000
***|. | ***|. | 2 -0.347 -0.351 21.601 0.000 .|. | .|. | 6 0.010 0.010 23.481 0.000
*|. | **|. | 3 -0.168 -0.243 26.586 0.000 .|. | *|. | 7 -0.048 -0.077 23.905 0.001
.|. | *|. | 4 0.061 -0.129 27.251 0.000 .|. | .|. | 8 0.026 0.063 24.029 0.001
.|. | *|. | 5 0.038 -0.146 27.514 0.000 *|. | *|. | 9 -0.079 -0.146 25.161 0.001
.|. | .|. | 6 0.040 -0.052 27.799 0.000 *|. | .|. | 10 -0.091 -0.035 26.694 0.002
*|. | *|. | 7 -0.067 -0.136 28.601 0.000
.|* | .|. | 8 0.082 0.053 29.808 0.000
.|. | *|. | 9 -0.055 -0.109 30.357 0.000 En ambos casos existen autocorrelaciones significativas (es decir, las perturbaciones
*|. | *|. | 10 -0.121 -0.154 33.043 0.000 aleatorias del modelo no son ruidos blancos, poseen un grado de autocorrelación que no
ha sido extraído y plasmado en el modelo), por lo que el comportamiento de la variable
estacionaria no ha sido perfectamente representado en el proceso de modelización. Por
otro lado, tanto el criterio de información de Akaike como el criterio de Schwarz
presentan unos valores menores en el modelo escogido, lo que quiere decir que la
especificación es más correcta en el modelo seleccionado que en el caso de los modelos
alternativos.
Referencias:
7 8
47
ANEXO. SERIES DE DATOS.
SERIES: IPRI UNITS: INDI SOURCE: INE

INDICE GENERAL DE PRECIOS INDUSTRIALES (IPRI)
MONTHLY DATA
JAN/JUL FEB/AUG MAR/SEP APR/OCT MAY/NOV JUN/DEC
1990 1/ 6 78.60 78.80 78.60 78.60 78.80 78.60
7/12 78.40 78.80 79.50 80.00 79.90 79.90
1991 1/ 6 80.40 80.30 79.90 79.90 80.00 80.00
7/12 80.20 80.20 80.30 80.40 80.50 80.40
1992 1/ 6 81.00 81.00 81.10 81.30 81.30 81.30
7/12 81.30 81.30 81.30 81.50 81.60 81.70
1993 1/ 6 82.30 82.40 82.40 82.50 82.80 82.90
7/12 83.30 83.70 83.90 84.10 84.20 84.30
1994 1/ 6 85.30 85.70 85.80 85.90 86.20 86.50
7/12 86.80 87.00 87.30 87.80 88.30 88.80
1995 1/ 6 90.20 91.30 91.90 92.20 92.50 92.60
7/12 92.70 92.80 93.10 92.90 92.80 92.70
1996 1/ 6 93.60 93.80 93.70 93.80 93.90 93.70
7/12 93.60 93.60 93.80 94.10 94.30 94.40
1997 1/ 6 94.40 94.30 94.40 94.50 94.60 94.50
7/12 94.70 95.10 95.30 95.40 95.50 95.20
1998 1/ 6 94.90 94.70 94.70 94.60 94.50 94.40
7/12 94.30 94.10 93.80 93.70 93.40 93.20
1999 1/ 6 93.20 93.40 93.60 93.80 94.00 94.40
7/12 94.90 95.50 96.10 96.20 96.30 96.70
2000 1/ 6 97.40 98.20 98.90 99.10 99.50 99.80
7/12 100.10 100.30 101.30 101.90 101.80 101.60
2001 1/ 6 101.30 101.70 102.00 102.00 102.20 102.20
7/12 102.00 101.90 102.00 101.50 100.90 100.70
2002 1/ 6 101.30 101.50 101.90 102.50 102.70 102.40
7/12 102.40 102.60 103.00 103.20 102.60 102.70
2003 1/ 6 103.80 104.40 105.00 103.90 103.40 103.30
7/12 103.50 103.70 103.80 103.80 103.90 103.80
2004 1/ 6 104.50 105.10 105.80 106.60 107.30 107.40
9
48
Tema 6 Ejemplo de modelo univariante de series temporales Identificación del Modelo.

(ARIMA) II: modelo del Índice de Producción Industrial.
En este ejemplo vamos a estimar un modelo univariante de series temporales (ARIMA) La identificación del modelo consiste en la cuantificación de los parámetros p, d, q y λ,
del Índice de Producción Industrial, previamente desestacionalizado (IPID), a fin de dada la especificación general del modelo:
evitar el efecto de la componente estacional del índice. La gráfica de esta variable se
muestra a continuación: ARIMA (p,d,q) λ
110 Los primeros parámetros a determinar son λ y d, que nos indican las transformaciones
previas a las que hay que someter a los datos de la variable económica a modelizar, a fin
de conseguir que esta variable se transforme en estacionaria, y pueda ser modelizada
mediante la estimación de esquemas lineales de autocorrelación (esquemas ARMA).
100
El valor de λ será el correspondiente a la transformación instantánea de datos
(transformación de Box-Cox) que posibilita la estacionariedad en la varianza de la serie
a modelizar. Usualmente se admite λ=0, es decir, la transformación logarítmica de los
90 datos. Por otro lado, el valor de d es el correspondiente al número de diferencias a las
que hay que someter a la serie, una vez transformada según el valor de λ, para lograr la
estacionariedad en la media (serie sin pendiente).
80 Realizando unas primeras diferencias (λ=0 y d=1), obtendremos una serie (DLIPID)
con la siguiente representación gráfica:
.20
70
1990 1992 1994 1996 1998 2000 2002 2004 .15
IPID .10
.05
En primer lugar se procederá a transformar los datos de la serie IPID con el objetivo de
convertirla en estacionaria y se analizarán los autocorrelogramas correspondientes. En .00
base a éstos se propondrá una especificación del modelo (proceso de identificación).
-.05
Una vez estimado el modelo conforme a la especificación anterior se analizará la
significación estadística de los parámetros y se analizarán los autocorrelogramas de los -.10
residuos para comprobar que se cumple la condición de ausencia de autocorrelación
(comportamiento de ‘ruido blanco’). Por último, se efectuará un ejercicio de previsión
con el modelo estimado, para estimar los valores de IPI desestacionalizado -.15
correspondientes al próximo año. 1990 1992 1994 1996 1998 2000 2002 2004
DLIPID
1 2
49
Podemos apreciar la estacionariedad de la serie de datos DLIPID. Por tanto, ésta es la ∇ ln( IPID) t = φ1∇ ln( IPID) t −1 + φ 2 ∇ ln( IPID) t − 2 + u t
variable que modelizaremos de acuerdo a un esquema ARIMA (p,q).
donde los parámetros φ1 y φ2 son los parámetros a estimar, y la expresión ∇ ln( IPID) t
es lo que hemos llamado anteriormente variable DLIPIDt . Tras efectuar la estimación
Parámetros p y q: orden de los esquemas autorregresivo y de medias con el software E-Views, los resultados obtenidos son:
móviles.
Dependent Variable: DLIPID
Para determinar el valor de los parámetros p (orden de los retardos del esquema Sample (adjusted): 1990M04 2004M06
autorregresivo) y q (orden de los retardos del esquema de medias móviles), se parte del Included observations: 171 after adjustments
análisis de los autocorrelogramas total y parcial muestrales de la variable estacionaria (o Convergence achieved after 3 iterations
mejor dicho, proceso estocático estacionario) a modelizar. Los autocorrelogramas de
nuestro proceso DLIPID se muestran a continuación: Variable Coefficient Std. Error t-Statistic Prob.
AR(1) -0.860057 0.064207 -13.39502 0.0000

DLIPID AR(2) -0.554571 0.064136 -8.646840 0.0000
Sample: 1990M01 2005M06
Included observations: 173 R-squared 0.517540 Mean dependent var 0.001491
Autocorrelation Partial Correlation AC PAC Q-Stat Prob S.E. of regression 0.030035 Akaike info criterion -4.161248
****|. | ****|. | 1 -0.551 -0.551 53.390 0.000 Log likelihood 357.7867 Durbin-Watson stat 1.974070
*|. | ****|. | 2 -0.081 -0.552 54.560 0.000
.|*** | .|. | 3 0.371 -0.004 79.122 0.000
**|. | *|. | 4 -0.301 -0.063 95.372 0.000
.|. | *|. | 5 0.027 -0.106 95.505 0.000
.|** | .|** | 6 0.312 0.271 113.10 0.000 Con lo que la ecuación estimada es:
***|. | .|. | 7 -0.419 -0.031 145.12 0.000
.|** | .|. | 8 0.199 -0.022 152.41 0.000 ∇ ln( IPID) t = −0,8600571 ∇ ln( IPID) t −1 − 0,554571∇ ln( IPID) t − 2 + uˆ t
.|* | .|. | 9 0.122 0.034 155.17 0.000
**|. | .|. | 10 -0.266 0.007 168.27 0.000 comprobar lo idóneo del esquema seleccionado, para lo cuál realizaremos algunas
pruebas de contraste y validación del modelo.
El trazado ondulante de las autocorrelaciones totales, así como las dos primeras Contraste y Validación del Modelo.
autocorrelaciones parciales significativas, permiten sospechar que DLIPID sigue un
patrón de comportamiento acorde con un esquema autorregresivo de segundo orden
AR(2). Bajo esta hipótesis, p=2 y q=0.
Vamos a someter al modelo a dos pruebas para asegurar la fiabilidad de su construcción
técnica: el contraste de significación individual de los parámetros φ1 y φ2 (test de la t
de Student), y la verificación de que los residuos del modelo verifican la hipótesis
Estimación del Modelo. básica de ausencia de autocorrelación en el vector de perturbaciones aleatorias del
modelo.
En cuanto a la prueba de significación de los parámetros del modelo, los elevados
valores de los estadísticos t en valor absoluto (13,39 y 8,64) aseguran su significación,
ARIMA(2,1,0)0 al estar por encima de los valores tabulados de la distribución t – Student, a un nivel de
confianza del 95%. Por esto, en principio, la especificación de los retardos de DLIPID
O bien la fórmula: está justificada.
3 4
50
Respecto a la necesidad de que los residuos del modelo, tomados como estimaciones de
la perturbación aleatoria, deban gozar de la condición de ausencia de autocorrelación,
comportamiento conocido como de ‘ruido blanco’, vemos como también se cumple, al Obs. IPID LIPID DLIPID
estar los valores de las autocorrelaciones por debajo de las bandas de significación: 200301 98,35 4,588482
200302 99,35 4,598659 0,010177
200303 98,17 4,586731 -0,011928
Sample: 1990M04 2004M06 200304 102,03 4,625228 0,038496
Included observations: 171 200305 98,06 4,585539 -0,039689
Q-statistic 200306 99,57 4,600851 0,015312
probabilities 200307 102,48 4,629668 0,028817
adjusted for 2 ARMA 200308 98,11 4,586089 -0,043578
term(s)
200309 100,99 4,615031 0,028942
200310 104,93 4,653293 0,038262
200311 100,70 4,612116 -0,041177
200312 103,42 4,638769 0,026653
.|. | .|. | 1 -0.021 -0.021 0.0792
200401 95,17 4,555675 -0,083094
.|. | .|. | 2 -0.052 -0.053 0.5548
200402 101,12 4,616298 0,060623
*|. | *|. | 3 -0.082 -0.085 1.7453 0.186
200403 105,44 4,658133 0,041835
.|* | .|* | 4 0.085 0.079 3.0298 0.220
200404 102,64 4,631189 -0,026944
.|* | .|* | 5 0.082 0.078 4.2207 0.239
200405 100,81 4,613247 -0,017941
.|* | .|* | 6 0.128 0.137 7.1798 0.127
200406 105,42 4,657914 0,044667
*|. | *|. | 7 -0.183 -0.160 13.224 0.021
200407 102,46 4,629448 -0,028466
.|* | .|* | 8 0.082 0.098 14.433 0.025
200408 102,43 4,629160 -0,000288
.|. | .|. | 9 0.013 0.004 14.465 0.043
200409 104,08 4,645194 0,016035
.|. | *|. | 10 -0.016 -0.062 14.512 0.069
200410 102,67 4,631564 -0,013631
200411 102,97 4,634394 0,002831
En definitiva, el modelo estimado parece ser apto para ser utilizado en un ejercicio de 200412 103,49 4,639519 0,005124
previsión, como haremos a continuación. 200501 102,88 4,633542 -0,005977
200502 103,11 4,635841 0,002299
200503 103,25 4,637178 0,001338
200504 103,00 4,634753 -0,002425
200505 103,14 4,636097 0,001344
Utilización del modelo: previsión.
200506 103,16 4,636286 0,000189
Los modelos univariantes de series temporales se utilizan básicamente para previsión de

una variable, en función de su propia historia. Las variables modelizadas mediante esta
metodología suelen ser de alta frecuencia (datos mensuales, trimestrales, etc.), y el
horizonte de previsión suele referirse al corto plazo, esto es, no más allá de un año. En
nuestro ejemplo se ha realizado una previsión del Índice de Producción Industrial
desestacionalizado (IPID) para el año natura siguiente al último dato conocido (julio de
2004 a junio de 2005).
Hay que tener en cuenta que el modelo estimado (autorregresivo de segundo orden) no
nos aporta una previsión de IPID, sino de la variable (o más exactamente proceso)
estacionaria DLIPID (diferencias de los logaritmos neperianos del IPID). Por tanto, para
obtener las previsiones, tras la aplicación del modelo estimado, habrá que deshacer las
transformaciones que se hicieron sobre los datos de IPID para convertir esta serie en Referencias:
estacionaria (deshacer las diferencias y los logaritmos). Las previsiones se muestran Techniques and Applications. Prentice Hall. New Jersey.
sobre un fondo coloreado:
5 6
51
ANEXO. SERIES DE DATOS.
SERIES: IPID INDICE DE PRODUCCION INDUSTRIAL GENERAL. DESESTAC. BY X-11
MONTHLY DATA
JAN/JUL FEB/AUG MAR/SEP APR/OCT MAY/NOV JUN/DEC
1990 1/ 6 83.80 81.16 81.69 76.45 82.68 82.43
7/12 80.12 80.64 80.58 81.52 83.31 79.12
1991 1/ 6 83.20 81.14 72.86 81.51 80.33 78.62
7/12 80.28 78.98 80.72 86.32 80.94 81.40
1992 1/ 6 81.04 82.79 78.41 78.79 77.47 78.78
7/12 80.39 77.89 77.52 77.97 74.13 73.77
1993 1/ 6 71.71 73.90 73.80 72.79 73.48 73.95
7/12 75.03 74.12 76.34 75.41 75.96 78.31
1994 1/ 6 74.30 77.94 78.04 78.89 78.58 80.51
7/12 78.79 82.34 82.25 81.06 83.40 85.15
1995 1/ 6 85.10 83.18 86.25 79.84 86.32 85.95
7/12 81.11 85.10 82.83 83.77 84.56 81.21
1996 1/ 6 83.77 84.07 80.85 81.10 83.82 80.99
7/12 83.77 82.75 82.08 88.90 83.39 82.64
1997 1/ 6 86.53 83.65 80.94 95.79 86.52 87.21
7/12 90.21 88.12 90.88 96.82 88.85 91.58
1998 1/ 6 90.68 93.61 92.26 93.27 91.32 94.47
7/12 95.45 92.55 94.18 96.00 94.07 96.32
1999 1/ 6 92.82 93.00 93.97 95.72 93.84 96.50
7/12 97.11 96.35 98.35 95.82 99.09 102.21
2000 1/ 6 97.32 102.10 103.61 95.82 102.40 101.96
7/12 97.48 101.82 98.66 98.13 103.17 98.18
2001 1/ 6 101.65 98.40 99.96 95.76 101.17 99.97
7/12 97.14 103.89 96.01 100.27 98.31 94.79
2002 1/ 6 98.93 97.65 89.47 106.81 99.13 95.06
7/12 100.63 99.80 98.48 104.60 99.04 98.86
2003 1/ 6 98.35 99.35 98.17 102.03 98.06 99.57
7/12 102.48 98.11 100.99 104.93 100.70 103.42
2004 1/ 6 95.17 101.12 105.44 102.64 100.81 105.42
7
52
Ejemplo de modelo univariante de series temporales Identificación del Modelo.
Tema 6 (ARIMA) III: modelo del Índice de Precios al Consumo de
Alimentos Elaborados.
La identificación del modelo puede entenderse como la cuantificación de los parámetros

En esta práctica se va a estimar un modelo ARIMA del Indice de Precios al Consumo
p, d, q y λ dada la especificación general del modelo:
de los Alimentos Elaborados (IPCA1), cuya gráfica se muestra a continuación:
ARIMA (p,d,q) λ
140
El valor de λ será el correspondiente a la transformación instantánea de datos

130 (transformación de Box-Cox) que posibilita la estacionariedad en la varianza de la serie
a modelizar. Usualmente se admite λ=0, es decir, la transformación logarítmica de los
120
datos (serie de datos LNIPCA1).
El valor de d es el correspondiente al número de diferenciaciones a las que hay que

110
someter a la serie, una vez transformada según el valor de λ, para lograr la
estacionariedad en la media (serie sin pendiente).
100
En el ejemplo λ=0 y d=2, lo que corresponde al gráfico:
Value IPCA1
90
,02
80
JA
S E 19
M 19
JA 1 9
S E 19
M 19
JA 1 9
S E 19
M 19
JA 1 9
S E 19
M 19
JA 1 9
S E 19
M 19
JA 1 9
S E 20
M 20
A Y 90
A Y 92
A Y 94
A Y 96
A Y 98
A Y 00
N
N 91
N 93
N 95
N 97
N 99
P 90
P 92
P 94
P 96
P 98
P 00
20
01
,01
DATE. FORMAT: "MMM YYYY"
Value DIFF(LNIPCA1,2)
0,00
Se procederá a transformar la serie IPCA1 para convertirla en estacionaria y se

analizarán los autocorrelogramas correspondientes. En base a éstos se propondrá una
especificación del modelo (proceso de identificación). -,01
Una vez estimado el modelo conforme a la especificación anterior se analizarán los

residuos del modelo para comprobar que se cumple la condición de ausencia de -,02
autocorrelación (comportamiento de ‘ruido blanco’).
JA
S E 19
M 19
JA 1 9
S E 19
M 19
JA 1 9
S E 19 3
M 19
JA 1 9
S E 19
M 19
JA 1 9
S E 19
M 19
JA 1 9
S E 20
M 20
A Y 90
A Y 92
A Y 94
A Y 96
A Y 98
AY 0
N
N 91
N 9
N 95
N 97
N 99
P 90
P 92
P 94
P 96
P 98
P 00
20
Una vez contrastado y validado el modelo se procederá a utilizarlo en una predicción
01
0
sobre los últimos datos del año 2001 y primer trimestre del año 2002.
1 2
53
Parámetros p y q: orden de los esquemas autorregresivo y de medias
móviles.
IPCA1
1,0
Para determinar el valor de los parámetros p (orden de los retardos del esquema
autorregresivo) y q (orden de los retardos del esquema de medias móviles), y de los
parámetros estacionales P y Q, se parte del análisis de los autocorrelogramas total y ,5
parcial muestrales de la variable y de sus correa modelizar, una vez sus datos han sido
convenientemente transformados para ser estacionarios en media y varianza.
0,0
Para ello se comparan los autocorrelogramas muestrales con los autocorrelogramas
teóricos correspondientes a los distintos esquemas ARMA(p,q)x(P,Q).
Partial ACF
-,5 Confidence Limits
Los valores iniciales de los autocorrelogramas informarán sobre el tipo de esquema de
autocorrelación ordinaria del modelo; mientras que las autocorrelaciones de orden 12,
24, 36, etc. informarán sobre el tipo de esquema de autocorrelación estacional. -1,0 Coefficient
1 5 9 13 17 21 25 29
Respecto a la autocorrelación de tipo ordinario, si se admite un decrecimiento de forma 3 7 11 15 19 23 27
más o menos geométrica de las autocorrelaciones parciales (ACF parcial), y que la
única autocorrelación total claramente significativa es la de orden 1 (ACF), podría Lag Number
seleccionarse un esquema de comportamiento de medias móviles de orden 1 MA(1), es Transforms: natural log, difference (2)
decir, p=0 y q=1.
Por otro lado, el valor de las autocorrelaciones totales de órdenes 12 y 24 , así como el
comportamiento de la autocorrelación parcial de orden 12 hacen pensar en la existencia
de un esquema de autocorrelación estacional autorregresivo de segundo orden SAR(2),
es decir, P=2 y Q=0
IPCA1
1,0
,5
0,0
-,5 Confidence Limits

ACF
-1,0 Coefficient
1 5 9 13 17 21 25 29
3 7 11 15 19 23 27
Lag Number
Transforms: natural log, difference (2)
3 4
54
Estimación del Modelo.
Es decir:
(1 − 0,40179869L 12
)
− 0,08871439 L24 ∇ 2 ln( IPCA1) t = (1 − 0,61844919)u t
O bien:
SARIMA(0,2,1)0 x (2,0,0) ∇ 2 ln(IPCA1)t =
= 0,40179869 ⋅ ∇ 2 ln (IPCA1)t −12 + 0,08871439 ⋅ ∇ 2 ln (IPCA1)t − 24 + u t − 0,61844919 ⋅ u t −1
O bien la fórmula en términos del operador retardo:
(1 − φ 12 )
L12 − φ 24 L24 ∇ 2 ln( IPCA1) t = (1 − ο 1 )u t
Contraste y Validación del Modelo.
donde los parámetros φ12 , φ24 y ο1 son los parámetros a estimar.

Va a comprobarse que los residuos del modelo, tomados como estimaciones de la
perturbación aleatoria, deban gozar de la condición de ausencia de autocorrelación,
comportamiento conocido como de ‘ruido blanco’.
Los resultados de la estimación con el software utilizado (SPSS versión 10.0) son los
siguientes: Los autocorrelogramas de los residuos son los siguientes:
MODEL: MOD_5
Split group number: 1 Series length: 141

Number of cases skipped at end because of missing values: 6
Melard's algorithm will be used for estimation. Error for IPCA1 from ARIMA, MOD_5 LN NOCON
1,0
Conclusion of estimation phase.
Estimation terminated at iteration number 8 because:
Sum of squares decreased by less than ,001 percent.
,5
FINAL PARAMETERS:
Number of residuals 139

0,0
Standard error ,00308414
Log likelihood 606,27831
AIC -1206,5566
SBC -1197,7532 -,5
Confidence Limits
Analysis of Variance:
ACF
DF Adj. Sum of Squares Residual Variance -1,0 Coefficient
1 3 5 7 9 11 13 15
Residuals 136 ,00132435 ,00000951 2 4 6 8 10 12 14 16
Variables in the Model:

Lag Number
B SEB T-RATIO APPROX. PROB.
MA1 ,61844919 ,06707471 9,2203035 ,00000000

SAR1 ,40179869 ,08534481 4,7079450 ,00000609
SAR2 ,08871439 ,08629737 1,0280080 ,30577096
5 6
55
Error for IPCA1 from ARIMA, MOD_5 LN NOCON
150
1,0
140
,5
130
IPCA1
120
0,0
Fit for IPCA1 from A
110 RIMA, MOD_5 LN NOCON
Partial ACF
-,5 100 95% LCL for IPCA1 fr

Confidence Limits
om ARIMA, MOD_5 LN N
90
Value
95% UCL for IPCA1 fr
-1,0 Coefficient
1 3 5 7 9 11 13 15 80 om ARIMA, MOD_5 LN N
2 4 6 8 10 12 14 16
JA
SEN 1
M P 1 90
JA Y 9 9 0
SE 1 9
M P 1992
JA Y 1992
S E 1 93
M P 1994
JA Y 1994
SEN 1 995
M P 1996
JA Y 9 9 6
SEN 1 997
M P 1 98
JA Y 9 9 8
SEN 2 999
M P 2 00
JA
A
AY 0
N
N 20 0
20 01
19
1
9
0
9
02
0
Lag Number
1
Donde FIT_1 es la serie estimada, ERR_1 la serie de residuos, LCL_1 y UCL_1 las predicciones por
intervalo (al 95% de confianza) inferior y superior, respectivamente; y SEP_1 la desviación típica para la
con lo que se confirma que los residuos del modelo carecen de autocorrelación previsión establecida.
(comportamiento de ‘ruido blanco).
Utilización del modelo.
Se ha procedido a la representación de la previsión correspondiente en la tabla y en el

gráfico siguiente:
DATE_ IPCA1 FIT_1 ERR_1 LCL_1 UCL_1 SEP_1

MAR 2001 129,64 129,75 -0,0008 128,96 130,55 0,40
APR 2001 129,95 130,00 -0,0004 129,21 130,79 0,40
MAY 2001 130,71 130,29 0,0032 129,50 131,09 0,40
JUN 2001 131,07 131,16 -0,0007 130,36 131,96 0,40
JUL 2001 131,40 131,42 -0,0002 130,62 132,22 0,41
AUG 2001 131,74 131,95 -0,0016 131,15 132,76 0,41
SEP 2001 132,63 132,23 0,0030 131,42 133,04 0,41
OCT 2001 133,21 132,40 134,03 0,41
NOV 2001 133,84 132,46 135,24 0,70 Referencias:
DEC 2001 134,54 132,54 136,56 1,02
JAN 2002 135,40 132,74 138,12 1,36
FEB 2002 136,23 132,85 139,70 1,73
MAR 2002 136,90 132,76 141,18 2,13 ESPASA, A.; CANCELO, J.R. (1993) Métodos Cuantitativos para el
análisis de la coyuntura económica. Alianza editorial. Madrid.
7 8
56
ANEXO. SERIES DE DATOS. JUL 1994 109,26 109,44 -0,0016 108,77 110,11 0,34
AUG 1994 109,51 109,54 -0,0002 108,87 110,21 0,34
SEP 1994 109,95 109,88 0,0007 109,21 110,55 0,34
DATE_ IPCA1 FIT_1 ERR_1 LCL_1 UCL_1 SEP_1 OCT 1994 110,36 110,35 0,0002 109,67 111,02 0,34
JAN 1990 89,60 NOV 1994 111,00 110,79 0,0019 110,11 111,46 0,34
FEB 1990 89,88 DEC 1994 111,50 111,41 0,0009 110,73 112,09 0,34
MAR 1990 89,98 90,16 -0,0020 89,44 90,89 0,37 JAN 1995 113,75 112,56 0,0105 111,87 113,24 0,35
APR 1990 90,00 90,16 -0,0017 89,51 90,81 0,33 FEB 1995 114,98 114,68 0,0026 113,98 115,38 0,35
MAY 1990 90,12 90,12 0,0000 89,49 90,74 0,32 MAR 1995 115,41 115,96 -0,0047 115,25 116,67 0,36
JUN 1990 90,46 90,23 0,0026 89,61 90,85 0,31 APR 1995 115,86 116,14 -0,0025 115,43 116,85 0,36
JUL 1990 90,90 90,67 0,0025 90,05 91,29 0,31 MAY 1995 116,15 116,40 -0,0021 115,69 117,11 0,36
AUG 1990 91,21 91,19 0,0002 90,57 91,82 0,31 JUN 1995 116,44 116,61 -0,0015 115,90 117,33 0,36
SEP 1990 91,55 91,52 0,0004 90,89 92,14 0,32 JUL 1995 116,51 116,85 -0,0029 116,14 117,56 0,36
OCT 1990 91,81 91,87 -0,0007 91,25 92,50 0,32 AUG 1995 116,83 116,87 -0,0004 116,16 117,59 0,36
NOV 1990 92,02 92,11 -0,0010 91,48 92,74 0,32 SEP 1995 117,20 117,28 -0,0007 116,57 118,00 0,36
DEC 1990 91,88 92,28 -0,0043 91,65 92,91 0,32 OCT 1995 117,67 117,61 0,0005 116,90 118,33 0,36
JAN 1991 92,09 91,99 0,0011 91,37 92,62 0,32 NOV 1995 117,96 118,20 -0,0021 117,48 118,93 0,36
FEB 1991 92,83 92,27 0,0060 91,67 92,88 0,31 DEC 1995 118,45 118,32 0,0011 117,60 119,04 0,36
MAR 1991 93,11 93,19 -0,0009 92,61 93,78 0,30 JAN 1996 119,82 119,72 0,0009 118,99 120,45 0,37
APR 1991 93,40 93,40 0,0000 92,83 93,98 0,29 FEB 1996 120,79 120,59 0,0017 119,86 121,33 0,37
MAY 1991 93,63 93,74 -0,0011 93,16 94,31 0,29 MAR 1996 121,18 121,28 -0,0009 120,54 122,02 0,37
JUN 1991 93,90 94,04 -0,0014 93,46 94,62 0,29 APR 1996 121,29 121,62 -0,0028 120,88 122,37 0,38
JUL 1991 94,12 94,30 -0,0019 93,72 94,88 0,29 MAY 1996 121,28 121,53 -0,0020 120,79 122,27 0,37
AUG 1991 94,29 94,38 -0,0010 93,81 94,96 0,29 JUN 1996 121,23 121,43 -0,0016 120,69 122,17 0,37
SEP 1991 94,56 94,53 0,0004 93,95 95,11 0,29 JUL 1996 121,23 121,21 0,0001 120,48 121,96 0,37
OCT 1991 95,00 94,78 0,0023 94,20 95,36 0,29 AUG 1996 121,89 121,33 0,0046 120,59 122,07 0,37
NOV 1991 95,47 95,28 0,0020 94,70 95,87 0,30 SEP 1996 121,94 122,25 -0,0025 121,51 123,00 0,38
DEC 1991 95,95 95,67 0,0029 95,09 96,26 0,30 OCT 1996 121,97 122,22 -0,0020 121,47 122,96 0,38
JAN 1992 97,61 96,41 0,0124 95,82 97,00 0,30 NOV 1996 121,88 122,10 -0,0018 121,36 122,84 0,38
FEB 1992 98,29 98,79 -0,0051 98,19 99,40 0,31 DEC 1996 122,29 121,99 0,0025 121,25 122,74 0,38
MAR 1992 98,72 99,07 -0,0035 98,47 99,68 0,31 JAN 1997 121,93 123,05 -0,0091 122,31 123,81 0,38
APR 1992 99,11 99,37 -0,0027 98,77 99,98 0,31 FEB 1997 121,40 122,00 -0,0050 121,26 122,74 0,38
MAY 1992 99,24 99,64 -0,0040 99,03 100,25 0,31 MAR 1997 121,43 120,91 0,0043 120,18 121,65 0,37
JUN 1992 99,38 99,66 -0,0028 99,05 100,27 0,31 APR 1997 121,08 121,04 0,0004 120,30 121,78 0,37
JUL 1992 99,50 99,67 -0,0017 99,06 100,28 0,31 MAY 1997 120,90 120,65 0,0021 119,92 121,39 0,37
AUG 1992 100,16 99,70 0,0047 99,09 100,31 0,31 JUN 1997 121,04 120,55 0,0041 119,81 121,28 0,37
SEP 1992 100,46 100,59 -0,0013 99,98 101,20 0,31 JUL 1997 120,90 120,87 0,0003 120,14 121,61 0,37
OCT 1992 100,67 100,90 -0,0023 100,28 101,51 0,31 AUG 1997 121,02 121,04 -0,0002 120,30 121,78 0,37
NOV 1992 101,05 101,03 0,0002 100,41 101,64 0,31 SEP 1997 122,58 120,90 0,0138 120,17 121,64 0,37
DEC 1992 101,36 101,39 -0,0003 100,77 102,01 0,31 OCT 1997 122,71 123,12 -0,0033 122,37 123,87 0,38
JAN 1993 102,65 102,22 0,0042 101,60 102,85 0,32 NOV 1997 122,71 123,03 -0,0025 122,28 123,78 0,38
FEB 1993 103,06 103,32 -0,0025 102,69 103,95 0,32 DEC 1997 122,81 123,13 -0,0026 122,38 123,89 0,38
MAR 1993 103,07 103,48 -0,0039 102,85 104,11 0,32 JAN 1998 123,22 122,87 0,0028 122,12 123,62 0,38
APR 1993 103,20 103,31 -0,0011 102,69 103,95 0,32 FEB 1998 123,42 123,30 0,0010 122,55 124,05 0,38
MAY 1993 103,22 103,29 -0,0007 102,67 103,93 0,32 MAR 1998 123,37 123,73 -0,0029 122,98 124,49 0,38
JUN 1993 103,31 103,28 0,0003 102,65 103,91 0,32 APR 1998 123,34 123,35 -0,0001 122,60 124,11 0,38
JUL 1993 103,56 103,38 0,0018 102,75 104,01 0,32 MAY 1998 123,30 123,38 -0,0007 122,63 124,14 0,38
AUG 1993 103,87 103,92 -0,0005 103,29 104,56 0,32 JUN 1998 123,28 123,44 -0,0013 122,69 124,20 0,38
SEP 1993 104,50 104,07 0,0041 103,44 104,71 0,32 JUL 1998 123,29 123,25 0,0003 122,50 124,00 0,38
OCT 1993 105,14 104,84 0,0028 104,20 105,48 0,32 AUG 1998 123,38 123,43 -0,0004 122,68 124,19 0,38
NOV 1993 105,79 105,67 0,0012 105,02 106,31 0,33 SEP 1998 123,42 124,04 -0,0050 123,29 124,80 0,38
DEC 1993 106,23 106,35 -0,0011 105,70 107,00 0,33 OCT 1998 123,39 123,25 0,0011 122,51 124,01 0,38
JAN 1994 107,88 107,28 0,0056 106,62 107,93 0,33 NOV 1998 123,35 123,22 0,0010 122,47 123,98 0,38
FEB 1994 108,36 108,70 -0,0031 108,04 109,36 0,34 DEC 1998 123,25 123,31 -0,0004 122,56 124,06 0,38
MAR 1994 108,72 108,86 -0,0012 108,20 109,52 0,34 JAN 1999 124,40 123,25 0,0093 122,50 124,00 0,38
APR 1994 108,98 109,22 -0,0021 108,55 109,88 0,34 FEB 1999 125,13 124,73 0,0032 123,97 125,50 0,38
MAY 1994 109,08 109,31 -0,0022 108,65 109,98 0,34 MAR 1999 125,71 125,56 0,0011 124,80 126,33 0,39
JUN 1994 109,17 109,35 -0,0017 108,69 110,02 0,34 APR 1999 126,03 126,18 -0,0012 125,41 126,95 0,39
9 10
57
MAY 1999 126,18 126,45 -0,0021 125,68 127,23 0,39
JUN 1999 126,29 126,54 -0,0020 125,77 127,32 0,39
JUL 1999 126,23 126,54 -0,0025 125,77 127,32 0,39
AUG 1999 126,22 126,41 -0,0015 125,65 127,19 0,39
SEP 1999 126,22 126,45 -0,0018 125,68 127,22 0,39
OCT 1999 126,33 126,20 0,0010 125,44 126,98 0,39
NOV 1999 126,43 126,33 0,0008 125,57 127,11 0,39
DEC 1999 126,50 126,47 0,0003 125,70 127,24 0,39
JAN 2000 126,82 127,09 -0,0022 126,32 127,87 0,39
FEB 2000 127,06 127,11 -0,0003 126,33 127,88 0,39
MAR 2000 127,05 127,25 -0,0016 126,48 128,03 0,39
APR 2000 127,00 127,06 -0,0005 126,29 127,84 0,39
MAY 2000 127,00 126,92 0,0006 126,15 127,70 0,39
JUN 2000 126,87 126,93 -0,0004 126,15 127,70 0,39
JUL 2000 126,65 126,72 -0,0005 125,95 127,49 0,39
AUG 2000 126,91 126,50 0,0032 125,73 127,27 0,39
SEP 2000 127,21 126,91 0,0023 126,14 127,69 0,39
OCT 2000 127,33 127,36 -0,0002 126,59 128,14 0,39
NOV 2000 127,57 127,48 0,0008 126,70 128,26 0,39
DEC 2000 127,95 127,73 0,0017 126,95 128,51 0,39
JAN 2001 128,68 128,40 0,0022 127,62 129,19 0,40
FEB 2001 129,32 129,18 0,0011 128,39 129,97 0,40
MAR 2001 129,64 129,75 -0,0008 128,96 130,55 0,40
APR 2001 129,95 130,00 -0,0004 129,21 130,79 0,40
MAY 2001 130,71 130,29 0,0032 129,50 131,09 0,40
JUN 2001 131,07 131,16 -0,0007 130,36 131,96 0,40
JUL 2001 131,40 131,42 -0,0002 130,62 132,22 0,41
AUG 2001 131,74 131,95 -0,0016 131,15 132,76 0,41
SEP 2001 132,63 132,23 0,0030 131,42 133,04 0,41
OCT 2001 133,21 132,40 134,03 0,41
NOV 2001 133,84 132,46 135,24 0,70
DEC 2001 134,54 132,54 136,56 1,02
JAN 2002 135,40 132,74 138,12 1,36
FEB 2002 136,23 132,85 139,70 1,73
MAR 2002 136,90 132,76 141,18 2,13
11
58
Equation Number: 1
Ejercicios Ejercicios de Repaso Elementos de Econometría. Sample Period: 1980- 2000
bpib=C1*pexg+C2*gdpale+C3*gdpfra+C4
EJERCICIO 1 Parameter T-Statistic Std Error Mean
C1) 89.043 0.18690 476.41734 84.317
C2) 0.00409 0.17167 0.02381 .02730E+6
C3) 0.03206 1.72985 0.01853 .15357E+6
Se estima un modelo que relaciona los Ingresos en Mercancías según la Balanza de C4) -201675 -4.20783 47928.56387 1.000
Pagos (BPIB) con el deflactor de la Exportación de Bienes (PEXG), el PIB de Alemania
(GDPALE) y el PIB de Francia (GDPFRA). Las series de datos se muestran a Variance= 1.87775E+8 Dependent Mean= 47520.188
Standard Error=13703.110414 Percent Error= 28.84%
continuación, así como el resultado de la estimación en base a dos especificaciones R-Square= 0.8672 R-Bar-Square= 0.8438
alternativas: Max LLF= -227.61190 F-Statistic: F( 3, 17)= 37.0106

SERIES: BPIB SOURCE: MECH Box-Pierce Test: Chi-Sqr( 1) = 14.7807
INGRESOS MERCANCIAS (BP). ANUAL Ljung-Box Test: Chi-Sqr( 1) = 16.9978
ANNUAL DATA
1980/1985 8914 11486 13356 17225 21953 24960 Functional Form Test(s):
1986/1991 23215 25458 28041 31067 33994 37410 Ramsey RESET Test: F( 1, 16)= 112.1637, Chi-Sqr( 1) = 18.3784
1992/1997 40612 47340 59435 70010 78241 94056
1998/2000 100443 105734 124962 Hetroscedasticity Test(s):

SERIES: PEXG SOURCE: E.P. All Parameters: F( 8, 9)= 47.1146
DEFLACTOR EXPORTACION DE BIENES. Break Point(s): 198701 199401
ANNUAL DATA
1980/1985 44.80 50.51 56.83 66.46 74.84 80.63
1986/1991 78.28 80.24 83.59 87.71 85.82 85.16
1992/1997 86.14 90.16 94.10 100.00 100.96 104.43
1998/2000 104.34 103.48 112.18 Equation Number: 2
SERIES: GDPALE SOURCE: MECH
PIB PRECIOS CONSTANTES ALEMANIA ln(bpib)=C1*ln(pexg)+C2*ln(gdpale)+C3*ln(gdpfra)+
C4
ANNUAL DATA
1980/1985 2.36621E+6 2.36856E+6 2.34628E+6 2.38755E+6 2.45474E+6 2.50458E+6 Parameter T-Statistic Std Error Mean
1986/1991 2.56332E+6 2.60119E+6 2.69805E+6 2.79584E+6 2.95531E+6 3.34600E+6 C1) 3.8994 6.92663 0.56296 4.528
1992/1997 3.42100E+6 3.38380E+6 3.46320E+6 3.52300E+6 3.55000E+6 3.59960E+6 C2) 1.0631 2.33594 0.45511 14.994
1998/2000 3.67350E+6 3.73070E+6 3.84080E+6 C3) -0.04570 -0.04509 1.01349 15.838
C4) -22.018 -2.18772 10.06453 1.000
*Nota: 1.23456E+6 = 1234560
SERIES: GDPFRA SOURCE: MECH Max LLF= 18.71458 F-Statistic: F( 3, 11)= 223.9307
PIB PRECIOS CONSTANTES FRANCIA DW Statistic= 1.28240
ANNUAL DATA
1980/1985 5.83964E+6 5.90225E+6 6.05186E+6 6.11754E+6 6.21470E+6 6.31206E+6 Residuals Properties Tests:
1986/1991 6.45345E+6 6.61607E+6 6.89342E+6 7.19027E+6 7.37745E+6 7.45172E+6 Jarque-Bera Test: Chi-Sqr( 2) = 0.0717
1992/1997 7.54831E+6 7.48026E+6 7.61624E+6 7.75998E+6 7.84093E+6 7.98886E+6 Box-Pierce Test: Chi-Sqr( 1) = 1.2061
1998/2000 8.25480E+6 8.51928E+6 8.79591E+6 Ljung-Box Test: Chi-Sqr( 1) = 1.4646
*Nota: 1.23456E+6 = 1234560
1 2
59
Functional Form Test(s): EJERCICIO 2
Breusch-Pagan Test: F( 3, 11)= 1.1534, Chi-Sqr( 3) = 3.5894 Se estima un modelo que relaciona el deflactor del Consumo Privado Nacional (PCPN)
Structural Stability Test, Based On 3 Subperiods con el deflactor del VAB de la Industria y el VAB de los Servicios. Las series de datos
All Parameters: F( 8, 3)= 4.1759 (en base 1986) se muestran a continuación, así como el resultado de la estimación:
Break Point(s): 199101 199601
SERIES: PCPN DEFLACTOR DEL CONSUMO PRIVADO NACIONAL
ANNUAL DATA
1964/1969 8.89 9.77 10.45 11.05 11.62 11.99
Se pide: 1970/1975 12.71 13.69 14.74 16.41 19.32 22.32
1976/1981 25.97 32.14 38.28 44.60 51.61 59.13
1982/1987 67.77 76.28 85.34 91.40 100.00 105.71
1. Verifique en ambos modelos el cumplimiento de las hipótesis básicas de 1988/1993 111.00 118.36 126.03 134.09 142.71 150.66
permanencia estructural, ausencia de autocorrelación en las perturbaciones 1994/1997 157.99 165.42 171.03 175.35
aleatorias y homoscedasticidad en las perturbaciones aleatorias. SERIES: PVASER DEFLACTOR DEL VALOR A¥ADIDO A P.M. SECTOR SERVICIOS
2. Seleccione uno de los dos modelos RAZONADAMENTE pasa su utilización ANNUAL DATA
1964/1969 6.25 7.15 7.80 8.82 9.49 10.00
a efectos de previsión. 1970/1975 10.85 11.85 13.08 14.66 17.12 20.29
1976/1981 24.11 30.09 37.23 44.65 51.85 59.75
3. Haga con AMBOS modelos una previsión para 2001 con el siguiente 1982/1987 67.40 76.26 84.48 91.74 100.00 106.35
1988/1993 113.24 120.92 131.92 143.31 156.29 165.30
escenario: PEXG = 125; GDPALE = 3900000; GDPFRA = 9000000; y 1994/1997 171.30 179.48 185.98 190.81
compare los resultados.
SERIES: PVAIND DEFLACTOR DEL VALOR A¥ADIDO A P.M. SECTOR INDUSTRIAL
ANNUAL DATA
1964/1969 11.70 11.93 12.61 13.21 13.74 14.32
1970/1975 14.91 15.70 16.63 18.12 21.28 24.67
1976/1981 28.64 34.03 39.81 45.51 51.80 57.93
1982/1987 66.42 73.93 84.61 89.96 100.00 103.90
1988/1993 107.17 113.55 118.57 125.02 129.71 133.98
1994/1997 137.28 143.22 146.47 148.18
Equation Number: 1
pcpn=C1*pvaind+C2*pvaser+C3

C1) 0.39036 14.81591 0.02635 66.721
C2) 0.60360 29.06761 0.02077 72.641
C3) 0.51513 1.48621 0.34660 1.000



Break Point(s): 197601 198701
3 4
60
La serie de residuos del modelo (RESID1) y sus autocorrelogramas total y parcial Posteriormente el modelizador decide estimar el modelo incluyendo un esquema de
correspondientes son los siguientes: autocorrelación en las perturbaciones de tipo AR(1). El resultado de la estimación es el
siguiente:
SERIES: RESID1 SAVE RESIDUALS AS RESID1 Equation Number: 2
Last Extended: 1/03/02 Sample Period: 1965- 1997
ANNUAL DATA Ordinary Least Squares
1964/1969 0.0360 0.2777 0.3038 0.0590 0.0119 -0.1530 Autoregressive Corrections: Hildreth-Lu Technique
1970/1975 -0.1725 -0.0997 -0.1562 -0.0234 0.1601 -0.0738
1976/1981 -0.2760 0.1747 -0.2398 -0.6348 -0.4188 -0.0637 pcpn=C1*pvaind+C2*pvaser+C3
1982/1987 0.6433 0.8739 0.8019 0.3961 0.0887 0.4408
1988/1993 0.3012 0.5354 -0.4023 -1.7305 -2.7836 -1.9305 Parameter T-Statistic Std Error Mean
1994/1997 0.4911 0.6629 1.0806 1.8195 C1) 0.40057 8.11032 0.04939 68.388
C2) 0.59956 16.05294 0.03735 74.653
C3) 0.17697 0.18554 0.95385 1.000
Autocorrelations: RESID1
Auto- Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1 Box-Ljung Prob.
+----+----+----+----+----+----+----+----+ Variance= 0.402703 Dependent Mean= 72.271
1 ,648 ,166 . I******.****** 15,168 ,000 Standard Error= 0.634589 Percent Error= 0.88%
2 ,155 ,164 . I*** . 16,058 ,000 R-Square= 0.9999 R-Bar-Square= 0.9999
3 -,220 ,161 . ****I . 17,917 ,000 Schwarz Criterion=-0.6149 Akaike Criterion= -0.7963
4 -,457 ,158 ***.*****I . 26,227 ,000 Max LLF= -30.07445 F-Statistic: F( 3, 29)= 86138.0975
5 -,385 ,156 **.*****I . 32,351 ,000 DW Statistic= 1.10993
6 -,218 ,153 . ****I . 34,387 ,000
7 -,120 ,150 . **I . 35,030 ,000
8 -,151 ,147 . ***I . 36,080 ,000
9 -,177 ,144 . ****I . 37,582 ,000 Residuals Properties Tests:
10 -,083 ,141 . **I . 37,929 ,000 Jarque-Bera Test: Chi-Sqr( 2) = 10.4672
11 ,049 ,138 . I* . 38,054 ,000 Box-Pierce Test: Chi-Sqr( 1) = 5.4860
12 ,195 ,135 . I****. 40,154 ,000 Ljung-Box Test: Chi-Sqr( 1) = 6.0004
13 ,211 ,132 . I****. 42,733 ,000
14 ,133 ,128 . I*** . 43,810 ,000
15 ,031 ,125 . I* . 43,871 ,000
16 -,024 ,121 . * . 43,909 ,000
Se pide:
Plot Symbols: Autocorrelations * Two Standard Error Limits .
Total cases: 33 Computable first lags: 32 1. Contraste las hipótesis básicas de: estabilidad estructural, ausencia de
_ autocorrelación y homoscedasticidad del modelo 1.
Partial Autocorrelations: RESID1
2. A la luz de la información disponible, ¿cree necesaria la incorporación del
Pr-Aut- Stand. esquema de autocorrelación en las perturbaciones tipo AR(1), tal y como
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1 aparece en el modelo 2? Justifique su respuesta.
+----+----+----+----+----+----+----+----+
1 ,648 ,174 . I******.******
2 -,458 ,174 **.******I . 3. Realice una predicción de PCPN con el segundo modelo para 1998
3 -,150 ,174 . ***I . suponiendo un escenario de PVASER= 195 y PVAIND=150.
4 -,264 ,174 . *****I .
5 ,162 ,174 . I*** .
6 -,195 ,174 . ****I .
7 -,158 ,174 . ***I .
8 -,374 ,174 *******I .
9 -,007 ,174 . * .
10 -,022 ,174 . * .
11 -,079 ,174 . **I .
12 -,111 ,174 . **I .
13 -,239 ,174 . *****I .
14 ,015 ,174 . * .
15 -,133 ,174 . ***I .
16 ,034 ,174 . I* .
Total cases: 33 Computable first lags: 32
5 6
61
EJERCICIO 3 Functional Form Test(s):
Ramsey RESET Test: F( 1, 16)= 0.1531,Chi-Sqr( 1) = 0.1895
Se han realizado tres estimaciones de un modelo econométrico uniecuacional que Breusch-Pagan Test: F( 2, 17)= 0.4109,Chi-Sqr( 2) = 0.9222
ARCH Process Test: F( 2, 16)= 0.9933,Chi-Sqr( 2) = 1.9881
relaciona la formación bruta de capital fijo (IVF) con su deflactor (PIVF) y con el valor
del período anterior (IVF(-1)). Structural Stability Test, Based On 3 Subperiods
Las estimaciones se han realizado con la siguiente información muestral: All Parameters: F( 6, 11)= 4.9679
Break Point(s): 198901 199501
SERIES: IVF SOURCE: MECH

FORMACION BRUTA DE CAPITAL FIJO. PRECIOS CONSTANTES 1995.
ANNUAL DATA
1980/1985 9.82710E+6 9.66470E+6 9.76220E+6 9.64170E+6 9.18070E+6 9.79570E+6
1986/1991 1.08206E+7 1.21405E+7 1.37860E+7 1.54419E+7 1.64383E+7 1.67114E+7 Equation Number: 2
1992/1997 1.60207E+7 1.45936E+7 1.48638E+7 1.60146E+7 1.63471E+7 1.71569E+7 Sample Period: 1981- 2000
1998/2000 1.88242E+7 2.04764E+7 2.16359E+7 Number of Observations: 20
SERIES: PIVF SOURCE: E.P.
DEFLACTOR FORMACION BRUTA DE CAPITAL FIJO. ln(ivf)=C1*ln(pivf)+C2*(ln(ivf(-1)))+C3
ANNUAL DATA C1) 0.21331 1.88862 0.11295 4.362
1980/1985 36.90 41.87 47.19 52.91 57.47 61.46 C2) 0.78578 6.06802 0.12950 16.414
1986/1991 65.39 68.99 73.16 77.39 81.77 85.68 C3) 2.6251 1.55844 1.68444 1.000
1992/1997 88.61 92.52 95.93 100.00 102.18 104.81
1998/2000 106.53 110.46 118.58 Variance= 0.003407 Dependent Mean= 16.453
Schwarz Criterion=-5.3952 Akaike Criterion= -5.5445
Las estimaciones son las siguientes: Max LLF= 30.06665 F-Statistic: F( 2, 17)= 196.1355

Equation Number: 1 Jarque-Bera Test: Chi-Sqr( 2) = 1.2817
Sample Period: 1981- 2000 Box-Pierce Test: Chi-Sqr( 1) = 7.7776
Number of Observations: 20 Ljung-Box Test: Chi-Sqr( 1) = 9.0057
Ordinary Least Squares Breusch-Godfrey Test: F( 1, 16)= 24.9736,Chi-Sqr( 1) = 12.1901
ivf=C1*pivf+C2*(ivf(-1))+C3 Functional Form Test(s):

C1) 37596 1.57627 23851.32449 81.646 Hetroscedasticity Test(s):
C2) 0.82298 5.37227 0.15319 .38754E+7 Breusch-Pagan Test: F( 2, 17)= 0.0154,Chi-Sqr( 2) = 0.0361
C3) -22960 -0.02892 793966.25429 1.000 ARCH Process Test: F( 2, 16)= 1.0754,Chi-Sqr( 2) = 2.1329
Variance= 7.17125E+11 Dependent Mean= 1.44658E+7 Structural Stability Test, Based On 3 Subperiods
Standard Error=************ Percent Error= 5.85% Intercept Parameters: F( 2, 15)= 0.6852
R-Square= 0.9548 R-Bar-Square= 0.9494 Slope Parameters: F( 4, 11)= 4.8355
Schwarz Criterion=27.5854 Akaike Criterion= 27.4360 All Parameters: F( 6, 11)= 3.6856
Max LLF= -299.73874 F-Statistic: F( 2, 17)= 179.4291 Break Point(s): 198901 199501

Breusch-Godfrey Test: F( 1, 16)= 29.1799,Chi-Sqr( 1) = 12.9172
7 8
62
EJERCICIO 4
Equation Number: 3
Ordinary Least Squares Dado el modelo estimado de explicación del Valor Añadido de la Industria en función
ln(ivf)=C1*ln(pivf)+C2*(ln(ivf(-1)))+C3 del Incremento Salarial del Sector y del Indice de Producción Industrial (todas son
cifras anualizadas por el criterio de la media aritmética), cuya información muestral es:
C1) 0.25657 1.26712 0.20248 4.588
SERIES: VAIND
C2) 0.93955 4.04103 0.23250 16.622
C3) -0.14150 -0.04225 3.34921 1.000
VAB INDUSTRIA SIN ENERGIA.PRECIOS CTE 1995.DATOS BRUTOS
ANNUAL DATA
1980/1985 2468375 2408225 2390475 2448850 2455025 2497500
1986/1991 2556850 2752225 2880550 3009925 3091950 3150075
1992/1997 3141250 3019950 3070625 3187565 3231532 3408223
1998/2000 3587765 3701480 3846010
SERIES: WAGENIND SOURCE: DGPC
INCREMENTO SALARIAL PACTADO EN EL SECTOR INDUSTRIA
ANNUAL DATA
1983/1988 0.9483 0.6350 0.6092 0.6858 0.5267 0.4150
Breusch-Godfrey Test: F( 1, 7)= 5.4719,Chi-Sqr( 1) = 4.8261
1989/1994 5.5333 7.1625 7.3250 6.8783 5.9458 4.0917
1995/2000 3.5300 3.9608 2.9050 2.3500 2.1975 2.7517
SERIES: IPI SOURCE: DGPC
INDICE DE PRODUCCION INDUSTRIAL (IPI) GENERAL
Breusch-Pagan Test: F( 2, 8)= 0.8626,Chi-Sqr( 2) = 1.9514
ARCH Process Test: F( 2, 7)= 0.1264,Chi-Sqr( 2) = 0.3138
ANNUAL DATA
1975/1980 71.82 75.47 79.46 81.29 81.93 82.94
1981/1986 82.10 81.18 83.37 84.07 85.76 88.42
1987/1992 92.50 95.30 99.57 99.61 98.94 96.07
1993/1998 91.59 98.31 102.88 102.18 109.18 115.06
1999/2000 118.10 122.79
Break Point(s): 199601
EQUATION NUMBER: 1
Se pide: SAMPLE PERIOD: 1983- 2000
1. Seleccione JUSTIFICADAMENTE uno de los tres modelos para ser utilizado a (vaind/1000)=C1*wagenind+C2*ipi+C3
efectos predictivos. PARAMETER T-STATISTIC STD ERROR MEAN
C1) 29.837 4.58443 6.50828 3.247
2. Realice una previsión de IVF para el año 2001 suponiendo un valor de PIVF del C2) 34.372 24.45263 1.40567 99.095
C3) -445.38 -3.23544 137.65797 1.000
2001 de 121.00 con los 3 modelos alternativos.

BREAK POINT(S): 198901 199501
9 10
63
Y dado el modelo anterior con un esquema AR(1) de corrección de la autocorrelación EJERCICIO 5
incorporado:
EQUATION NUMBER: 2 Dados los modelos estimados de explicación del comportamiento del deflactor del
SAMPLE PERIOD: 1983- 2000 Consumo Privado Nacional (PCPN), cuya información muestral es:
AUTOREGRESSIVE CORRECTIONS: HILDRETH-LU TECHNIQUE
SERIES: PCPN UNITS: IND SOURCE: E.P.
(vaind/1000)=C1*wagenind+C2*ipi+C3 DEFLACTOR CONSUMO PRIVADO NACIONAL
C1) 10.452 1.27672 8.18631 3.247 ANNUAL DATA
C2) 21.190 6.04062 3.50788 99.095 1964/1969 8.89 9.77 10.45 11.05 11.62 11.99
C3) 1542.9 2.76351 558.31736 1.000 1970/1975 12.71 13.69 14.74 16.41 19.32 22.32
1976/1981 25.97 32.14 38.28 44.60 51.61 59.13
RHO( 1)= .94980 ACCURATE TO 3 DIGITS. 1982/1987 67.77 76.28 85.34 91.40 100.00 105.71
1988/1993 111.00 118.36 126.03 134.09 142.71 150.66
VARIANCE= .22589275E+04 DEPENDENT MEAN= 3057.6 1994/1997 157.99 165.42 171.03 175.35
SERIES: PVAIND UNITS: IND SOURCE: E.P.
RESIDUALS PROPERTIES TESTS: DEFLACTOR VAB INDUSTRIA
JARQUE-BERA TEST: CHI-SQR( 2) = 5.5422 Last Revised: 7/04/00 Last Extended: 7/04/00
LJUNG-BOX TEST: CHI-SQR( 2) = .6688 ANNUAL DATA
1964/1969 11.70 11.93 12.61 13.21 13.74 14.32
1970/1975 14.91 15.70 16.63 18.12 21.28 24.67
1976/1981 28.64 34.03 39.81 45.51 51.80 57.93
1982/1987 66.42 73.93 84.61 89.96 100.00 103.90
Se pide: 1988/1993 107.17 113.55 118.57 125.02 129.71 133.98
1994/1997 137.28 143.22 146.47 148.18
1. Evalúe econométricamente el primer modelo.
2. ¿Considera apropiado, a la vista del valor estimado para el parámetro RHO,

SERIES: PVASER UNITS: IND SOURCE: E.P.
la incorporación de un esquema de autocorrelación en el modelo? Explique DEFLACTOR VAB SERVICIOS
por qué. Last Revised: 7/04/00 Last Extended: 7/04/00
ANNUAL DATA
3. Realice para 2001 una previsión del VAIND con ambos modelos, 1964/1969 6.25 7.15 7.80 8.82 9.49 10.00
suponiendo que WAGENIND tomará un valor para 2001 de 3.00 y que el IPI 1970/1975 10.85 11.85 13.08 14.66 17.12 20.29
1976/1981 24.11 30.09 37.23 44.65 51.85 59.75
tomará un valor de 125.00. 1982/1987 67.40 76.26 84.48 91.74 100.00 106.35
1988/1993 113.24 120.92 131.92 143.31 156.29 165.30
1994/1997 171.30 179.48 185.98 190.81
SERIES: PIMG DEFLACTOR DE LAS IMPORTACIONES DE BIENES

ANNUAL DATA
1964/1969 11.75 11.85 11.86 12.13 13.59 13.97
1970/1975 14.34 15.05 15.20 16.83 24.52 26.07
1976/1981 30.07 36.70 39.48 42.20 59.34 77.71
1982/1987 87.45 105.12 118.36 120.35 100.00 100.37
1988/1993 101.40 103.69 102.24 101.35 100.66 106.25
1994/1997 112.99 118.86 120.29 124.72
11 12
64
Equation Number: 1
PCPN=C1*PVAIND+C2*PVASER+C3*PIMG+C4
pcpn=C1*pvaind+C2*pvaser+C3*pimg+C4
C1) 0.29978 8.07860 0.03711 66.721 Parameter T-Statistic Std Error Mean
C2) 0.65033 27.52125 0.02363 72.641 C1) 0.43921 3.98414 0.11024 125.588
C3) 0.03776 3.13192 0.01206 64.611 C2) 0.51755 8.99033 0.05757 147.075
C4) 0.72433 2.31362 0.31307 1.000 C3) 0.27651 11.98964 0.02306 107.737
C4) -22.873 -4.16018 5.49799 1.000
Max LLF= -37.07386 F-Statistic: F( 3, 30)= 61253.5895 R-Square= 0.9999 R-Bar-Square= 0.9998
Breusch-Pagan Test: Chi-Sqr( 3) = 13.0399 Hetroscedasticity Test(s):
Breusch-Pagan Test: Chi-Sqr( 3) = 1.9425
All Parameters: F( 8, 22)= 31.1978 Structural Stability Test, Based On 2 Subperiods
Break Point(s): 197601 198701 All Parameters: F( 4, 4)= 0.5566
Break Point(s): 199201
Se pide:
Equation Number: 2
Ordinary Least Squares 1. Evalúe el cumplimiento de las hipótesis básicas del modelo lineal en cada uno
de los modelos: permanencia estructural, ausencia de autocorrelación y
ln(PCPN)=C1*ln(PVAIND)+C2*ln(PVASER)+C3*ln(PIMG)+C4 homoscedasticidad.
C1) 0.64975 11.86878 0.05474 3.838
C2) 0.39888 9.82259 0.04061 3.756 2. Seleccione JUSTIFICADAMENTE uno de los tres modelos para ser utilizado
C3) -0.02624 -1.54899 0.01694 3.829 en un ejercicio de simulación.
C4) -0.08215 -1.92806 0.04261 1.000

Breusch-Pagan Test: Chi-Sqr( 3) = 4.1350

Break Point(s): 197601 198701
13 14
65
Las estimaciones obtenidas son las siguientes:
EJERCICIO 6 EQUATION NUMBER: 1

Se pretende estimar un modelo explicativo del comportamiento de las exportaciones de
bienes y servicios en función del deflactor de éstas, del tipo de cambio y de la demanda EXGS=C1*TC+C2*PEXGS+C3*DEMOCDE+C4
interna de los países OCDE. Para ello se cuenta con la siguiente información estadística: PARAMETER T-STATISTIC STD ERROR MEAN
C1) -15273 -1.17971 12946.48019 92.026
C2) 5461431 2.57464 2121236.79052 .601
C3) 1350.0 1.90015 710.47850 3290.595
SERIES: EXGS EXPORTACION BIENES Y SERVICIOS (INCLUYE TURISMO). PTAS CTES B86 C4) -1284607 -.69240 1855287.95718 1.000
Last Extended: 3/04/99 VARIANCE= .13155320E+13 DEPENDENT MEAN= .50359E+07

ANNUAL DATA R-SQUARE= .9156 R-BAR-SQUARE= .9081
1960/1965 737429 796128 897692 932166 1169695 1248767 MAX LLF= -582.00636 F-STATISTIC: F( 3, 34)= 122.9024
1966/1971 1442471 1375876 1629177 1885969 2225123 2541091 DW STATISTIC= .18367
1972/1977 2881597 3169757 3138059 3125507 3281782 3678878
1978/1983 4072518 4300579 4399492 4761387 4997191 5495076 HETROSCEDASTICITY TEST(S):
1984/1989 6137424 6300114 6416945 6823062 7169213 7384033 BREUSCH-PAGAN TEST: CHI-SQR( 3) = 9.7264
1990/1995 7621504 8221078 8828275 9579586 11181770 12299900
1996/1997 13604850 15611860 STRUCTURAL STABILITY TEST, BASED ON 3 SUBPERIODS:
BREAK POINT(S): 197401 198601
SERIES: PEXGS DELACTOR DE LAS EXPORTACIONES DE B Y S (INCLUIDO TURISMO). B86
ANNUAL DATA
1960/1965 0.0813 0.0828 0.0891 0.0948 0.0969 0.0980
1966/1971 0.1068 0.1219 0.1436 0.1524 0.1565 0.1660
1972/1977 0.1761 0.1927 0.2359 0.2610 0.3038 0.3626
1978/1983 0.4199 0.4593 0.5425 0.6389 0.7265 0.8493
1984/1989 0.9555 1.0170 1.0000 1.0253 1.0566 1.1038
1990/1995 1.1225 1.1445 1.1803 1.2360 1.2916 1.3603
1996/1997 1.3790 1.4160
SERIES: TC TIPO DE CAMBIO PESETAS/DOLAR
ANNUAL DATA
1960/1965 60.00 59.97 59.89 59.88 59.88 59.90
1966/1971 59.93 61.08 69.68 69.85 69.70 69.23
1972/1977 64.27 58.26 57.69 57.41 66.90 75.96
1978/1983 76.67 67.13 71.71 92.32 109.86 143.43
1984/1989 160.76 170.04 140.05 123.48 116.49 118.38
1990/1995 101.93 103.91 102.38 127.25 133.96 124.69
1996/1998 126.66 146.41 149.40
SERIES: DEMOCDE DEMANDA INTERNA REAL PAISES OCDE
ANNUAL DATA
1960/1965 1498.4 1562.9 1652.7 1737.0 1847.4 1952.3
1966/1971 2065.3 2146.0 2265.5 2393.8 2485.4 2572.2
1972/1977 2716.6 2884.0 2897.5 2888.7 3034.2 3138.8
1978/1983 3269.1 3398.5 3425.3 3472.4 3455.2 3536.9
1984/1989 3707.2 3835.2 3956.8 4091.9 4266.9 4423.2
1990/1995 4539.7 4570.5 4657.5 4697.2 4824.1 4901.2
1996/1998 5054.7 5220.4 5387.3
15 16
66
EQUATION NUMBER: 2 EQUATION NUMBER: 3
SAMPLE PERIOD: 1960- 1997 SAMPLE PERIOD: 1987- 1997
NUMBER OF OBSERVATIONS: 38 NUMBER OF OBSERVATIONS: 11
ORDINARY LEAST SQUARES ORDINARY LEAST SQUARES
LN(EXGS)=C1*LN(TC)+C2*LN(PEXGS)+C3*LN(DEMOCDE)+C4 LN(EXGS)=C1*LN(TC)+C2*LN(PEXGS)+C3*LN(DEMOCDE)+C4
PARAMETER T-STATISTIC STD ERROR MEAN PARAMETER T-STATISTIC STD ERROR MEAN
C1) 0.27398 2.84879 .09618 4.458 C1) 0.40479 2.14643 .18859 4.786
C2) -0.13846 -1.64715 .08406 -.942 C2) 1.6479 2.07791 .79308 .185
C3) 2.4985 13.67816 .18267 8.039 C3) 0.95210 .84402 1.12805 8.444
C4) -6.3144 -3.45932 1.82532 1.000 C4) 5.7828 .58383 9.90496 1.000
VARIANCE= .60980930E-02 DEPENDENT MEAN= 15.123 VARIANCE= .21669606E-02 DEPENDENT MEAN= 16.065
STANDARD ERROR= .07809029 PERCENT ERROR= .52 STANDARD ERROR= .04655062 PERCENT ERROR= .29
R-SQUARE= .9922 R-BAR-SQUARE= .9915 R-SQUARE= .9809 R-BAR-SQUARE= .9728
MAX LLF= 45.08943 F-STATISTIC: F( 3, 34)= 1447.1810 MAX LLF= 20.61696 F-STATISTIC: F( 3, 7)= 120.1362
DW STATISTIC= .40838 DW STATISTIC= 1.42438
HETROSCEDASTICITY TEST(S): HETROSCEDASTICITY TEST(S):
BREUSCH-PAGAN TEST: F( 3, 34) = 1.9306, CHI-SQR( 3) = 5.5309 BREUSCH-PAGAN TEST: CHI-SQR( 3) = 3.2534
STRUCTURAL STABILITY TEST, BASED ON 3 SUBPERIODS: STRUCTURAL STABILITY TEST, BASED ON 2 SUBPERIODS:
ALL PARAMETERS: F( 8, 26)= 6.8408 ALL PARAMETERS: F( 4, 3)= 8.2480
BREAK POINT(S): 197401 198601 BREAK POINT(S): 199301
Se pide:
1. Evalúe el cumplimiento de las hipótesis básicas del modelo lineal en cada uno
de los modelos: permanencia estructural, ausencia de autocorrelación y
homoscedasticidad.
2. Seleccione JUSTIFICADAMENTE uno de los tres modelos para ser utilizado

en un ejercicio de simulación.
17 18
67
EJERCICIO 7
Se han realizado tres estimaciones de un modelo econométrico uniecuacional que Ljung-Box Test: Chi-Sqr( 1) = 9.4380
relaciona el valor añadido de la industria (VAIND) con el índice de producción
industrial (media anual) (IPI) y con el índice de precios industriales (media anual) Functional Form Test(s):
(IPRI). Ramsey RESET Test: F( 1, 19)= 0.1154, Chi-Sqr( 1) = 0.1388
Las estimaciones se han realizado con la siguiente información muestral: ARCH Process Test: F( 2, 19)= 2.0328, Chi-Sqr( 2) = 3.7015

SERIES: VAIND UNITS: MILL SOURCE: INE(SEC95) Intercept Parameters: F( 2, 18)= 3.9174
VAB PB INDUSTRIA (INCLUYE ENERGIA). PRECIOS CONSTANTES 1995. Slope Parameters: F( 4, 14)= 10.8865
Last Extended: 9/23/03 All Parameters: F( 6, 14)= 11.4323
Break Point(s): 198901 199601
ANNUAL DATA
1980/1985 72735 71969 71161 72147 72820 73961
1986/1991 76338 80861 85030 88203 90143 91905
1992/1997 91604 88393 90045 93144 95015 100117
1998/2002 104790 108676 113069 114706 115888
SERIES: IPI UNITS: INDI SOURCE: INE.

INDICE DE PRODUCCION INDUSTRIAL (IPI) GENERAL
Last Extended: 10/22/03 Equation Number: 2
ANNUAL DATA Number of Observations: 17
1975/1980 58.53 61.52 64.75 66.25 66.78 67.57 Ordinary Least Squares
1981/1986 66.92 66.16 67.93 68.51 69.90 72.05
1987/1992 75.36 77.69 81.15 81.18 80.57 78.31 vaind=C1*ipi+C2*ipri+C3
1993/1998 74.58 80.05 83.79 83.22 88.93 93.69
1999/2002 96.18 100.02 98.84 98.94 Parameter T-Statistic Std Error Mean
C1) 928.83 6.92904 134.04927 84.974
SERIES: IPRI UNITS: INDI SOURCE: INE C2) 321.35 2.70196 118.93305 87.056
INDICE GENERAL DE PRECIOS INDUSTRIALES (IPRI) C3) -11141 -2.20298 5057.44564 1.000
Variance= 4.80572E+6 Dependent Mean= 95760.412
ANNUAL DATA Standard Error= 2192.196206 Percent Error= 2.29%
1975/1980 18.48 20.94 25.13 29.26 33.53 39.38 R-Square= 0.9702 R-Bar-Square= 0.9660
1981/1986 45.62 51.31 58.51 65.64 70.87 71.53 Schwarz Criterion=15.6911 Akaike Criterion= 15.5441
1987/1992 72.12 74.27 77.34 79.04 80.21 81.31 Max LLF= -153.24683 F-Statistic: F( 2, 14)= 228.1870
1993/1998 83.23 86.78 92.31 93.86 94.82 94.19 DW Statistic= 0.74203
1999/2002 94.84 99.99 101.70 102.40
Las tres estimaciones son: Box-Pierce Test: Chi-Sqr( 1) = 5.1122
Equation Number: 1 Breusch-Godfrey Test: F( 1, 13)= 9.0530, Chi-Sqr( 1) = 6.9787
Number of Observations: 23 Functional Form Test(s):
Ordinary Least Squares Ramsey RESET Test: F( 1, 13)= 0.2729, Chi-Sqr( 1) = 0.3495
vaind=C1*ipi+C2*ipri+C3 Hetroscedasticity Test(s):

Parameter T-Statistic Std Error Mean ARCH Process Test: F( 2, 13)= 0.9164, Chi-Sqr( 2) = 1.8535
C1) 1167.8 12.02037 97.15202 80.501
C2) 93.846 1.55543 60.33460 78.751 Structural Stability Test, Based On 3 Subperiods
C3) -11716 -2.80383 4178.74403 1.000 Intercept Parameters: F( 2, 12)= 2.8386
Variance= 5.05249E+6 Dependent Mean= 89683.478 All Parameters: F( 6, 8)= 4.2342
Standard Error= 2247.774750 Percent Error= 2.51% Break Point(s): 199301 199801
Schwarz Criterion=15.7046 Akaike Criterion= 15.5565
19 20
68
Equation Number: 3 EJERCICIO 8
Ordinary Least Squares A continuación se muestran 4 estimaciones correspondientes al modelo de explicación
del Deflactor del Gasto en Consumo Final Interior de los Hogares (PCIH) en función
ln(vaind)=C1*ln(ipi)+C2*ln(ipri)+C3
del Índice de Precios al Consumo (media anual) (IPC) y del Gasto Medio por Hogar
Parameter T-Statistic Std Error Mean Real (media anual) (GASHOGMED). Las estimaciones se han realizado en base a los
C1) 0.79089 6.42823 0.12303 4.437 siguientes datos:
C2) 0.32108 2.95164 0.10878 4.460
C3) 6.5214 26.31418 0.24783 1.000
Variance= 0.000572 Dependent Mean= 11.462 SERIES: PCIH SOURCE: E.P.

Standard Error= 0.023926 Percent Error= 0.21% DEFLACTOR GASTO EN CONSUMO FINAL INTERIOR HOGARES.
R-Square= 0.9667 R-Bar-Square= 0.9620 ANNUAL DATA
Schwarz Criterion=-7.1597 Akaike Criterion= -7.3068 1980/1985 31.33 35.73 40.92 45.97 50.89 55.08
Max LLF= 40.98571 F-Statistic: F( 2, 14)= 203.5243 1986/1991 60.31 63.70 66.84 71.41 76.17 81.09
DW Statistic= 0.72592 1992/1997 86.44 90.96 95.39 100.00 103.51 106.20
1998/2000 108.56 111.31 115.03
Jarque-Bera Test: Chi-Sqr( 2) = 0.7387 SERIES: IPC UNITS: INDI SOURCE: INE
Box-Pierce Test: Chi-Sqr( 1) = 5.1192 IPC GENERAL
Ljung-Box Test: Chi-Sqr( 1) = 6.0791 ANNUAL DATA
Breusch-Godfrey Test: F( 1, 13)= 10.0255, Chi-Sqr( 1) = 7.4019 1970/1975 6.57 7.11 7.70 8.57 9.92 11.60
1976/1981 13.64 16.99 20.35 23.54 27.20 31.16
Functional Form Test(s): 1982/1987 35.65 39.99 44.51 48.43 52.69 55.45
Ramsey RESET Test: F( 1, 13)= 0.0002, Chi-Sqr( 1) = 0.0003 1988/1993 58.14 62.08 66.26 70.19 74.35 77.74
1994/1999 81.41 85.22 88.25 89.99 91.64 93.76
Hetroscedasticity Test(s): 2000/2002 96.98 100.46 103.54
ARCH Process Test: F( 2, 13)= 1.3928, Chi-Sqr( 2) = 2.6470 SERIES: GASHOGMED UNITS: EURO SOURCE: INE
GASTO MEDIO POR HOGAR REAL (ECPF). TOTAL (CVE)
Structural Stability Test, Based On 3 Subperiods ANNUAL DATA
Intercept Parameters: F( 2, 12)= 2.9056 1985/1990 4122.8 4042.7 4247.3 4286.1 4558.1 4659.5
Slope Parameters: F( 4, 8)= 3.4888 1991/1996 4782.6 4883.6 4814.5 4759.4 4718.9 4619.5
All Parameters: F( 6, 8)= 4.0979 1997/2002 4707.7 4793.8 4817.4 4994.8 5129.4 5063.0
Break Point(s): 199301 199801
Equation Number: 1
1. Seleccione JUSTIFICADAMENTE uno de los tres modelos para ser utilizado a Number of Observations: 16
efectos predictivos. Ordinary Least Squares
pcih=C1*ipc+C2*gashogmed+C3
2. Realice una previsión de VAIND para el año 2003 con los tres modelos, de Parameter T-Statistic Std Error Mean
manera que complete la siguiente tabla. C1) 1.2567 133.53481 0.00941 74.535
C2) -0.00132 -2.50714 0.00053 4613.034
C3) -0.58215 -0.30985 1.87880 1.000
Modelo 1 Modelo 2 Modelo 3 Variance= 0.099485 Dependent Mean= 87.000

Variables 2002 Standard Error= 0.315412 Percent Error= 0.36%
2003 %02-03 2003 %02-03 2003 %02-03 R-Square= 0.9998 R-Bar-Square= 0.9997
VAIND 115888
IPI 98.94 99.50 99.50 99.50 Residuals Properties Tests:

IPRI 102.40 103.50 103.50 103.50

Break Point(s): 199101 199601
21 22
69
Equation Number: 4
Equation Number: 2 Number of Observations: 16
Sample Period: 1985- 2000 Ordinary Least Squares
Number of Observations: 16 Autoregressive Corrections: Hildreth-Lu Technique
ln(pcih)=C1*ln(ipc)+C2*ln(gashogmed)+C3
ln(pcih)=C1*ln(ipc)+C2*ln(gashogmed)+C3
Parameter T-Statistic Std Error Mean C1) 1.0706 102.65339 0.01043 4.288
C1) 1.0743 155.13610 0.00693 4.288 C2) -0.03065 -1.02086 0.03002 8.435
C2) -0.05594 -2.28625 0.02447 8.435 C3) 0.10720 0.47404 0.22614 1.000
C3) 0.30480 1.68230 0.18118 1.000
Max LLF= 72.01156 F-Statistic: F( 2, 13)= 47768.0240 R-Square= 0.9999 R-Bar-Square= 0.9999
Schwarz Criterion=******* Akaike Criterion= *******
Residuals Properties Tests: Max LLF= 74.12764 F-Statistic: F( 3, 12)= 39016.9722
Functional Form Test(s): Jarque-Bera Test: Chi-Sqr( 2) = 1.1073
Breusch-Pagan Test: F( 2, 13)= 0.9106, Chi-Sqr( 2) = 1.9661 Los residuos correspondientes a cada modelo son los siguientes:
Break Point(s): 199101 199601
SERIES: RESID1 UNITS: EURO SOURCE: INE
ANNUAL DATA
1985/1990 0.23835 0.01672 0.20098 0.02004 -0.01257 -0.36343
1991/1996 -0.22610 0.03011 0.19279 -0.05963 -0.28363 -0.71181
Equation Number: 3 1997/2000 -0.09130 0.29906 0.41982 0.33060
Number of Observations: 16 SERIES: RESID2 UNITS: EURO SOURCE: INE
Ordinary Least Squares SAVE RESIDUALS AS RESID2
ANNUAL DATA
pcih=C1*ipc+C2*gashogmed+C3 1985/1990 0.00103 0.00019 0.00267 0.00053 -0.00049 -0.00462
1991/1996 -0.00256 0.00065 0.00286 0.00023 -0.00211 -0.00633
Parameter T-Statistic Std Error Mean 1997/2000 -0.00059 0.00279 0.00355 0.00220
C1) 1.2526 83.14857 0.01507 74.535
C2) -0.00040 -0.62062 0.00064 4613.034 SERIES: RESID3 UNITS: EURO SOURCE: INE
C3) -4.6221 -1.77851 2.59887 1.000 SAVE RESIDUALS AS RESID3
Rho( 1)= 0.61940 Accurate 3 Digits ANNUAL DATA
1986/1991 0.12781 0.21592 0.00559 -0.13387 -0.39588 -0.09134
Variance= 0.065166 Dependent Mean= 87.000 1992/1997 0.06403 0.19244 -0.14314 -0.19881 -0.41715 0.33026
Standard Error= 0.255277 Percent Error= 0.29% 1998/2000 0.30962 0.22034 -0.08582
Max LLF= 1.20296 F-Statistic: F( 3, 12)= 29731.9914 SERIES: RESID4 UNITS: EURO SOURCE: INE
Jarque-Bera Test: Chi-Sqr( 2) = 0.7587 ANNUAL DATA
1986/1991 0.00122 0.00266 -0.00027 -0.00147 -0.00475 -0.00087
1992/1997 0.00121 0.00247 -0.00108 -0.00194 -0.00450 0.00264
1998/2000 0.00292 0.00212 -0.00038
23 24
70
Los autocorrelogramas correspondientes a cada uno de los modelos son los siguientes:
Pr-Aut- Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1
ùòòòòôòòòòôòòòòôòòòòôòòòòôòòòòôòòòòôòòòòú
1 ,428 ,250 . ó*********.
Auto- Stand. 2 -,542 ,250 *.*********ó .
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1 Box-Ljung Prob. 3 -,455 ,250 .*********ó .
4 ,288 ,250 . ó****** .
1 ,469 ,228 . ó********* 4,218 ,040
5 ,015 ,250 . * .
2 -,119 ,220 . **ó . 4,509 ,105 6 -,143 ,250 . ***ó .
3 -,529 ,212 ***.*******ó . 10,708 ,013 7 -,139 ,250 . ***ó .
4 -,295 ,204 . ******ó . 12,800 ,012 8 ,179 ,250 . ó**** .
5 ,093 ,195 . ó** . 13,027 ,023 9 -,261 ,250 . *****ó .
6 ,261 ,186 . ó***** . 14,986 ,020 10 -,227 ,250 . *****ó .
7 ,034 ,177 . ó* . 15,023 ,036
8 -,169 ,167 . ***ó . 16,053 ,042 Plot Symbols: Autocorrelations * Two Standard Error Limits .
_
9 -,305 ,156 ******ó . 19,889 ,019
10 -,168 ,144 . ***ó . 21,244 ,019

_ Autocorrelations: RESID3
Auto- Stand.
Partial Autocorrelations: RESID1 Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1 Box-Ljung Prob.
Pr-Aut- Stand.
1 ,283 ,234 . ó****** . 1,459 ,227
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1
ùòòòòôòòòòôòòòòôòòòòôòòòòôòòòòôòòòòôòòòòú 2 -,252 ,226 . *****ó . 2,709 ,258
1 ,469 ,250 . ó*********. 3 -,635 ,217 ****.********ó . 11,287 ,010
2 -,434 ,250 .*********ó . 4 -,047 ,208 . *ó . 11,337 ,023
3 -,388 ,250 . ********ó . 5 ,263 ,198 . ó***** . 13,097 ,022
4 ,246 ,250 . ó***** . 6 ,364 ,188 . ó*******. 16,861 ,010
5 ,049 ,250 . ó* . 7 -,144 ,177 . ***ó . 17,526 ,014
6 -,178 ,250 . ****ó . 8 -,327 ,166 *******ó . 21,429 ,006
7 -,174 ,250 . ***ó . 9 -,300 ,153 ******ó . 25,250 ,003
8 ,106 ,250 . ó** . 10 ,031 ,140 . ó* . 25,299 ,005
9 -,252 ,250 . *****ó .
10 -,174 ,250 . ***ó . _

_

Pr-Aut- Stand.
Auto- Stand. Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1 Box-Ljung Prob. ùòòòòôòòòòôòòòòôòòòòôòòòòôòòòòôòòòòôòòòòú
ùòòòòôòòòòôòòòòôòòòòôòòòòôòòòòôòòòòôòòòòú 1 ,283 ,258 . ó****** .
1 ,428 ,228 . ó********* 3,524 ,060 2 -,361 ,258 . *******ó .
2 -,259 ,220 . *****ó . 4,907 ,086 3 -,545 ,258 *.*********ó .
3 -,666 ,212 *****.*******ó . 14,732 ,002 4 ,336 ,258 . ó******* .
4 -,276 ,204 . ******ó . 16,565 ,002 5 -,066 ,258 . *ó .
5 ,243 ,195 . ó***** . 18,108 ,003 6 -,053 ,258 . *ó .
6 ,431 ,186 . ó******.** 23,461 ,001 7 -,115 ,258 . **ó .
7 ,072 ,177 . ó* . 23,624 ,001 8 -,123 ,258 . **ó .
8 -,226 ,167 . *****ó . 25,465 ,001 9 -,123 ,258 . **ó .
9 -,354 ,156 *.*****ó . 30,623 ,000 10 -,257 ,258 . *****ó .
10 -,134 ,144 . ***ó . 31,489 ,000
Plot Symbols: Autocorrelations * Two Standard Error Limits . _
_
25 26
71
EJERCICIO 9
Auto- Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1 Box-Ljung Prob.
ùòòòòôòòòòôòòòòôòòòòôòòòòôòòòòôòòòòôòòòòú Se han realizado cuatro estimaciones de un modelo econométrico uniecuacional que
1 ,290 ,234 . ó****** . 1,529 ,216 relaciona el deflactor del valor añadido de la industria (PVAIND) con el coste laboral
2 -,282 ,226 . ******ó . 3,089 ,213 unitario de la industria manufacturera (media anual) (ULCIND), con el deflactor de las
3 -,685 ,217 *****.********ó . 13,058 ,005
exportaciones de bienes industriales terminados (media anual) (PXIND) y con el
4 -,112 ,208 . **ó . 13,347 ,010
deflactor de las importaciones de bienes intermedios energéticos (media anual)
5 ,287 ,198 . ó****** . 15,454 ,009
6 ,455 ,188 . ó*******.* 21,327 ,002
(PMINEN).
7 -,069 ,177 . *ó . 21,478 ,003
8 -,289 ,166 .******ó . 24,527 ,002 SERIES: PVAIND SOURCE: E.P.
9 -,336 ,153 *.*****ó . 29,336 ,001 DEFLACTOR VAB PB INDUSTRIA (INCLUYE ENERGIA).
10 -,006 ,140 . * . 29,338 ,001 Last Extended: 1/12/04
Plot Symbols: Autocorrelations * Two Standard Error Limits . ANNUAL DATA
_ 1980/1985 37.88 42.20 47.89 53.66 59.74 64.78
1986/1991 71.64 73.35 75.91 80.25 83.54 87.07
1992/1997 89.68 93.03 95.01 100.00 102.94 103.99
Partial Autocorrelations: RESID4 1998/2002 103.36 102.52 104.50 106.31 108.57
Pr-Aut- Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1 SERIES: ULCIND UNITS: COST SOURCE: INE(CNSE
ùòòòòôòòòòôòòòòôòòòòôòòòòôòòòòôòòòòôòòòòú COSTE LABORAL UNITARIO(CLU) EN LA INDUSTRIA MANUFACTURERA.DATOS CORREG
1 ,290 ,258 . ó****** . Last Extended: 2/11/04
2 -,400 ,258 . ********ó .
3 -,591 ,258 **.*********ó . ANNUAL DATA
1980/1985 38.15 42.56 46.80 50.13 53.41 55.98
4 ,261 ,258 . ó***** .
1986/1991 61.78 64.29 66.30 70.49 78.77 84.28
5 -,026 ,258 . *ó . 1992/1997 91.84 98.61 99.20 100.00 105.10 106.82
6 -,018 ,258 . * . 1998/2002 108.74 110.12 112.81 117.40 120.73
7 -,154 ,258 . ***ó .
8 ,030 ,258 . ó* .
9 -,114 ,258 . **ó . SERIES: PXIND UNITS: INDI SOURCE: MINISTER
10 -,277 ,258 . ******ó . PRECIOS EXPORT PRODUCTOS INDUSTRIALES TERMINADOS
ANNUAL DATA
1981/1986 41.31 48.30 57.43 63.70 69.82 76.16
1987/1992 78.66 80.83 81.50 82.70 86.57 89.76
1993/1998 95.83 98.06 100.07 101.10 104.55 106.00
Se pide: 1999/2002 103.40 107.07 112.59 117.24
1. Seleccione razonadamente entre la ecuación 1 y la 2 el modelo más

SERIES: PMINEN UNITS: INDI SOURCE: MINISTER
adecuado desde el punto de vista técnico. PRECIOS IMPORT B. INTERMEDIOS. PRODUCTOS ENERGETICOS
ANNUAL DATA
2. Justifique, a la vista de los autocorrelogramas, si, a efectos de realizar una 1970/1975 8.45 9.66 9.78 10.55 30.00 33.16
previsión, debe incorporarse al modelo elegido en el apartado anterior un 1976/1981 40.39 48.37 51.76 58.74 104.23 149.07
esquema de autocorrelación AR(1) en las perturbaciones (ecuaciones 3 o 4, 1982/1987 166.58 195.42 209.73 214.09 112.21 99.54
1988/1993 81.46 93.37 98.70 93.47 84.05 93.32
respectivamente). 1994/1999 96.26 100.32 117.68 129.34 91.16 117.73
2000/2002 216.99 195.96 183.48
27 28
72
Equation Number: 1
Sample Period: 1981- 2002 Hetroscedasticity Test(s):
Number of Observations: 22 Breusch-Pagan Test: F( 3, 13)= 0.6374, Chi-Sqr( 3) = 2.1798
ln(pvaind)=C1*ln(ulcind)+C2*ln(pxind)+C3*ln(pminen)+C4 All Parameters: F( 8, 5)= 1.4568
Break Point(s): 199301 199801
C1) 0.25841 5.32924 0.04849 4.380 Equation Number: 3
C2) 0.68378 11.62023 0.05884 4.427 Sample Period: 1981- 2002
C3) -0.04593 -3.45894 0.01328 4.837 Number of Observations: 22
C4) 0.46159 3.96153 0.11652 1.000 Ordinary Least Squares
Variance= 0.000405 Dependent Mean= 4.398 pvaind=C1*ulcind+C2*pxind+C3*pminen+C4*(pvaind(-1))+C5

R-Square= 0.9955 R-Bar-Square= 0.9947 Parameter T-Statistic Std Error Mean
Schwarz Criterion=-7.4505 Akaike Criterion= -7.6488 C1) 0.03199 0.46720 0.06847 83.917
Max LLF= 56.92070 F-Statistic: F( 3, 18)= 1317.2635 C2) 0.23939 2.22294 0.10769 86.484
DW Statistic= 1.23478 C3) -0.00438 -0.51820 0.00845 133.633
C4) 0.66758 4.62294 0.14441 80.876
C5) 7.2951 3.59809 2.02748 1.000
Jarque-Bera Test: Chi-Sqr( 2) = 1.3120 Variance= 1.767859 Dependent Mean= 84.089
Box-Pierce Test: Chi-Sqr( 1) = 2.1880 Standard Error= 1.329609 Percent Error= 1.58%
Ljung-Box Test: Chi-Sqr( 1) = 2.5006 R-Square= 0.9966 R-Bar-Square= 0.9958
Breusch-Godfrey Test: F( 1, 17)= 2.3293, Chi-Sqr( 1) = 2.6511 Schwarz Criterion= 1.0144 Akaike Criterion= 0.7665
Functional Form Test(s): DW Statistic= 1.55986
Hetroscedasticity Test(s): Residuals Properties Tests:

Breusch-Pagan Test: F( 3, 18)= 1.6799, Chi-Sqr( 3) = 4.8122 Jarque-Bera Test: Chi-Sqr( 2) = 0.1576
Structural Stability Test, Based On 3 Subperiods Ljung-Box Test: Chi-Sqr( 1) = 0.9358
All Parameters: F( 8, 10)= 4.3644 Breusch-Godfrey Test: F( 1, 16)= 1.2202, Chi-Sqr( 1) = 1.5589
Break Point(s): 198901 199601
Equation Number: 2 Hetroscedasticity Test(s):

Sample Period: 1986- 2002 Breusch-Pagan Test: F( 4, 17)= 1.3415, Chi-Sqr( 4) = 5.2783
Ordinary Least Squares Structural Stability Test, Based On 3 Subperiods
All Parameters: F(10, 7)= 3.1553
ln(pvaind)=C1*ln(ulcind)+C2*ln(pxind)+C3*ln(pminen)+C4 Break Point(s): 198901 199601

Equation Number: 4
C1) 0.47323 4.36869 0.10832 4.521
C2) 0.26502 1.36591 0.19402 4.550
C3) -0.01405 -0.59834 0.02347 4.724
C4) 1.2454 3.41338 0.36487 1.000
pvaind=C1*ulcind+C2*pxind+C3*pminen+C4
C1) 0.25837 3.69795 0.06987 83.917
C2) 0.65514 7.57330 0.08651 86.484
C3) -0.03083 -3.39777 0.00907 133.633
C4) 9.8686 3.46697 2.84646 1.000

29 30
73
EJERCICIO 10
Box-Pierce Test: Chi-Sqr( 1) = 2.3947 A continuación se exponen 4 estimaciones alternativas de un modelo econométrico de
Breusch-Godfrey Test: F( 1, 17)= 3.4145, Chi-Sqr( 1) = 3.6797 explicación del comportamiento del deflactor de la formación bruta de capital fijo
(PIVF), en función del índice de producción industrial de bienes y de los precios de las
Functional Form Test(s): importaciones de bienes de capital; obtenidas a partir de los siguientes datos:
Breusch-Pagan Test: F( 3, 18)= 2.4840, Chi-Sqr( 3) = 6.4413 SERIES: PIVF SOURCE: E.P.
DEFLACTOR FORMACION BRUTA DE CAPITAL FIJO.
All Parameters: F( 8, 10)= 6.0346 ANNUAL DATA
Break Point(s): 198901 199601 1980/1985 36.90 41.87 47.19 52.91 57.48 61.47
1986/1991 65.39 68.99 73.16 77.39 81.77 85.68
1992/1997 88.62 92.53 95.93 100.00 102.18 104.82
Se pide: 1998/2002 106.42 110.42 118.46 123.21 128.83
1. Complete el siguiente cuadro de evaluación y, a la luz de esa información, SERIES: IPRI22 UNITS: INDI SOURCE: INE
IPRI - BIENES DE EQUIPO (MEDIA ANUAL)
seleccione justificadamente una de las ecuaciones a efectos predictivos.
ANNUAL DATA
Ecuación 1 Ecuación 2 Ecuación 3 Ecuación 4 1975/1980 16.60 18.78 23.28 27.84 32.36 36.63
¿Se cumple la hipótesis de estabilidad 1981/1986 42.03 47.20 53.28 58.13 63.13 67.27
Sí Sí 1987/1992 71.38 74.76 77.82 81.00 83.94 85.82
estructural?
1993/1998 87.50 89.72 93.30 95.99 97.11 97.94
¿Se cumple la hipótesis de normalidad en las 1999/2003 98.65 100.03 101.19 103.00 104.21
SÍ SÍ Sí
perturbaciones?
¿Se cumple la hipótesis de SERIES: PMBEQ UNITS: INDI SOURCE: M. ECONOMÍA
Sí Sí
homoscedasticidad en las perturbaciones? PRECIOS IMPORT B. CAPITAL
¿Se cumple la hipótesis de ausencia de
Sí NO Sí ANNUAL DATA
autocorrelación en las perturbaciones?
1970/1975 11.59 12.88 13.01 13.66 15.63 19.08
¿Es correcta la forma funcional? NO NO NO
1976/1981 23.01 26.93 32.71 32.88 37.96 46.66
¿Son significativos en su conjunto los 1982/1987 55.93 69.74 75.40 78.57 80.76 82.12
Sí Sí Sí Sí
parámetros del modelo? 1988/1993 81.87 82.91 83.46 84.37 85.81 93.74
¿Son significativos individualmente todos los 1994/1999 96.50 100.17 100.93 105.65 102.65 101.97
parámetros del modelo? (En caso contrario, 2 Sí; 2 NO 3 SÍ; 2 NO 2000/2003 108.75 109.57 110.12 101.83
indicar cuantos sí y cuantos no)
¿Cuál es la bondad del ajuste (R-cuad.)) 99,10%
¿Cuál es el valor del criterio de Akaike? 0,7665 1,4897 Las cuatro estimaciones son:
2. Complete el siguiente cuadro de previsión realizado con el modelo seleccionado: Equation Number: 1
2003 2004
Variables 2002 pivf=C1*ipri22+C2*pmbeq+C3*(pivf(-1))+C4
Dato %02-03 Dato %03-04
PVAIND 108.57 Parameter T-Statistic Std Error Mean
ULCIND 120.73 123.70 125.00 C1) -0.22748 -2.58810 0.08789 80.462
PMINEN 183.48 180.00 181.00 C2) 0.03992 0.62116 0.06427 88.076
PXIND 117.24 122.50 125.50 C3) 1.1327 19.23017 0.05890 81.489
PVAIND(-1) 106.31 108.57 C4) 8.1548 3.45418 2.36084 1.000

31 32
74
Residuals Properties Tests: Equation Number: 3
Jarque-Bera Test: Chi-Sqr( 2) = 16.6855 Sample Period: 1981- 2002
Box-Pierce Test: Chi-Sqr( 1) = 0.3959 Number of Observations: 22
Ljung-Box Test: Chi-Sqr( 1) = 0.4524 Ordinary Least Squares
ln(pivf)=C1*ln(ipri22)+C2*ln(pmbeq)+C3*(ln(pivf(-1)))+C4
Ramsey RESET Test: F( 1, 17)= 0.0539, Chi-Sqr( 1) = 0.0695 Parameter T-Statistic Std Error Mean
C1) -0.32283 -3.83498 0.08418 4.358
Hetroscedasticity Test(s): C2) 0.01745 0.37191 0.04693 4.458
Breusch-Pagan Test: F( 3, 18)= 0.9524, Chi-Sqr( 3) = 3.0139 C3) 1.1563 19.54700 0.05915 4.348
ARCH Process Test: F( 2, 18)= 0.7558, Chi-Sqr( 2) = 1.5494 C4) 0.70644 6.84053 0.10327 1.000
Structural Stability Test, Based On 3 Subperiods Variance= 0.000144 Dependent Mean= 4.405
Intercept Parameters: F( 2, 16)= 0.5599 Standard Error= 0.012016 Percent Error= 0.27%
Slope Parameters: F( 6, 10)= 2.9971 R-Square= 0.9988 R-Bar-Square= 0.9986
All Parameters: F( 8, 10)= 2.4926 Schwarz Criterion=-8.4816 Akaike Criterion= -8.6800
Break Point(s): 198901 199601 Max LLF= 68.26327 F-Statistic: F( 3, 18)= 4871.1825

Equation Number: 2 Ljung-Box Test: Chi-Sqr( 1) = 0.1872
Sample Period: 1981- 2002 Breusch-Godfrey Test: F( 1, 17)= 0.3075, Chi-Sqr( 1) = 0.3909
Ordinary Least Squares Functional Form Test(s):
pivf=C1*ipri22+C2*(pivf(-1))+C3
Parameter T-Statistic Std Error Mean Breusch-Pagan Test: F( 3, 18)= 0.5962, Chi-Sqr( 3) = 1.9885
C1) -0.20244 -2.63485 0.07683 80.462 ARCH Process Test: F( 2, 18)= 0.4629, Chi-Sqr( 2) = 0.9783
C2) 1.1404 20.13298 0.05664 81.489
C3) 9.0281 4.83910 1.86565 1.000 Structural Stability Test, Based On 3 Subperiods
Variance= 1.428209 Dependent Mean= 85.668 Slope Parameters: F( 6, 10)= 2.8961
Standard Error= 1.195077 Percent Error= 1.40% All Parameters: F( 8, 10)= 2.3027
R-Square= 0.9979 R-Bar-Square= 0.9977 Break Point(s): 198901 199601
Equation Number: 4
Residuals Properties Tests: Number of Observations: 22
Jarque-Bera Test: Chi-Sqr( 2) = 20.5240 Ordinary Least Squares
Ljung-Box Test: Chi-Sqr( 1) = 0.1828 ln(pivf)=C1*ln(ipri22)+C2*(ln(pivf(-1)))+C3
Functional Form Test(s): C1) -0.31073 -4.09645 0.07585 4.358
Ramsey RESET Test: F( 1, 18)= 0.0270, Chi-Sqr( 1) = 0.0329 C2) 1.1577 20.07555 0.05767 4.348
C3) 0.72514 8.22625 0.08815 1.000
Breusch-Pagan Test: F( 2, 19)= 1.2038, Chi-Sqr( 2) = 2.4743 Variance= 0.000138 Dependent Mean= 4.405
ARCH Process Test: F( 2, 18)= 0.7672, Chi-Sqr( 2) = 1.5711 Standard Error= 0.011741 Percent Error= 0.27%
Structural Stability Test, Based On 3 Subperiods Schwarz Criterion=-8.6145 Akaike Criterion= -8.7632
Intercept Parameters: F( 2, 17)= 0.4441 Max LLF= 68.17906 F-Statistic: F( 2, 19)= 7653.8178
Slope Parameters: F( 4, 13)= 3.4323 DW Statistic= 1.87156
Break Point(s): 198901 199601
33 34
75
Functional Form Test(s): EJERCICIO 11
Breusch-Pagan Test: F( 2, 19)= 0.5498, Chi-Sqr( 2) = 1.2035 A continuación se exponen 2 estimaciones alternativas de un modelo econométrico de
explicación del comportamiento del precio de las exportaciones de productos
Structural Stability Test, Based On 3 Subperiods alimenticios (PEXALI), en función del índice de precios de consumo alimenticio
Intercept Parameters: F( 2, 17)= 0.0998 (IPCA) y de las exportaciones de bienes de consumo alimenticio (media anual);
All Parameters: F( 6, 13)= 2.4897 obtenidas a partir de los siguientes datos:
Break Point(s): 198901 199601
Se pide: SERIES: PEXALI UNITS: INDI SOURCE: M. ECONOMIA

PRECIOS EXPORT B. CONSUMO ALIMENTICIO. ANUALES
1. Complete el siguiente cuadro de evaluación y, a la luz de esa información, ANNUAL DATA
seleccione justificadamente una de las ecuaciones a efectos predictivos. 1981/1986 42.43 45.58 52.65 58.05 61.34 61.37
1987/1992 63.81 71.59 76.22 76.69 81.58 82.02
Ecuación 1 Ecuación 2 Ecuación 3 Ecuación 4 1993/1998 85.01 89.98 100.00 104.17 103.06 103.60
1999/2002 103.73 106.81 114.15 115.96
¿Se cumple la hipótesis de estabilidad
estructural? SERIES: IPCA UNITS: INDI SOURCE: INE
¿Se cumple la hipótesis de normalidad en las IPC ALIMENTACION
NO NO
perturbaciones?
¿Se cumple la hipótesis de ANNUAL DATA
SI SI 1976/1981 16.28 20.13 23.99 26.42 28.83 32.75
homoscedasticidad en las perturbaciones?
1982/1987 37.66 41.69 46.93 51.40 56.85 59.72
¿Se cumple la hipótesis de ausencia de
SI SI 1988/1993 61.93 66.69 71.02 73.50 76.20 77.05
autocorrelación en las perturbaciones? 1994/1999 81.42 85.75 88.94 89.38 90.85 92.45
¿Es correcta la forma funcional? SI SI 2000/2003 94.47 99.66 104.79 108.98
¿Son significativos en su conjunto los
SI SERIES: XBCAL/1000 UNITS: MILE SOURCE: M. ECONOMIA
parámetros del modelo?
¿Son significativos individualmente todos los EXPORT B. CONSUMO ALIMENTICIO. PRECIOS CONSTANTES
parámetros del modelo? (En caso contrario, SI
ANNUAL DATA
indicar cuantos sí y cuantos no) 1981/1986 308.5 316.5 323.9 386.6 376.7 414.4
¿Cuál es la bondad del ajuste (R-cuad.)) 1987/1992 463.3 423.0 414.0 427.1 458.6 512.1
¿Cuál es el valor del criterio de Akaike? 0.55 -8.76 1993/1998 597.0 700.5 728.8 799.1 966.9 992.4
1999/2003 1031.7 1096.3 1149.4 1175.2 1250.5
2. Complete el siguiente cuadro de previsión realizado con el modelo seleccionado

(si no utiliza alguna variable, deje su fila en blanco): La primera estimación es:
Equation Number: 1
2003
Variables 2002 Sample Period: 1981- 2002
Dato %02-03 Number of Observations: 22
PIVF 128.83 Ordinary Least Squares
IPRI22 103.00 104.21
PMBEQ 110.12 101.83 pexali=C1*ipca+C2*xbcal/1000+C3
PIVF (-1) 123.21 128.83
C1) 0.92057 14.52309 0.06339 71.869
C2) 0.01152 2.60704 0.00442 639.174
C3) 8.2858 3.48750 2.37586 1.000


35 36
76
Hetroscedasticity Test(s): Cuyos autocorrelogramas total y parcial de los residuos son:


Break Point(s): 198901 199601
Los autocorrelogramas total y parcial de los residuos del modelo 1 son:
Se pide:
1. A la luz de la información suministrada sobre ambos modelos, justifique la

selección de uno de ellos para la realización de una previsión sobre el precio de
las exportaciones de bienes alimenticios.
2. Complete el siguiente cuadro de previsión realizado con ambos modelos:
Modelo 1 Modelo 2
Variables 2002
La segunda estimación incorpora un esquema autorregresivo de primer orden AR(1): 2003 %02-03 2003 %02-03
PEXALI 115.96
IPCA 104.79 108.98 108.98
Equation Number: 2 XBCAL/1000 1175.2 1250.5 1250.5
pexali=C1*ipca+C2*xbcal/1000+C3

C1) 0.94927 9.38435 0.10115 71.869
C2) 0.00943 1.48203 0.00636 639.174
C3) 7.4567 1.79742 4.14857 1.000

37 38
77
Equation Number: 1
Elementos de Econometría Sample Period: 1980- 2000
Laboratorio Diagnóstico de un modelo econométrico uniecuacional. Ordinary Least Squares
ivf=C1*cn+C2*(ucp.iv(-1))+C3

C1) 0.38792 28.88873 0.01343 .08064E+7
C2) 163510 5.15597 31712.87857 78.040
El presente laboratorio tiene como objetivo realizar un diagnóstico de la consistencia técnica de C3) -18224490 -7.58260 2.40346E+6 1.000
un modelo econométrico uniecuacional estimado, en lo referente al cumplimiento de las hipótesis
básicas que lo sustentan, su especificación, significación de las variables incluidas y capacidad para Variance= 2.86640E+11 Dependent Mean= 1.42450E+7
Standard Error=************ Percent Error= 3.76%
representar la realidad (validación). R-Square= 0.9822 R-Bar-Square= 0.9802
El software utilizado para la práctica es Modler for Windows, si bien la mayoría de las Max LLF= -305.18480 F-Statistic: F( 2, 18)= 496.9143
aplicaciones de análisis econométrico presentan test semejantes. DW Statistic= 1.06048
En este sentido, para la realización del laboratorio se presupone que se poseen conocimientos Residuals Properties Tests:
básicos sobre la estimación de un modelo uniecuacional con el software utilizado, tarea en la que Jarque-Bera Test: Chi-Sqr( 2) = 1.0055
no se entra en detalle en esta práctica. Box-Pierce Test: Chi-Sqr( 1) = 4.5353
El modelo que sirve de base para el ejemplo es el que sirve para la explicación de la Formación
Bruta de Capital Fijo en función del Consumo Nacional (como incentivador de la inversión en Functional Form Test(s):
capital), y la utilización de la capacidad productiva. Ramsey RESET Test: F( 1, 17)= 0.0685, Chi-Sqr( 1) = 0.0843
• ESTIMACIÓ
Se va a estimar un modelo econométrico uniecuacional en el que se intenta explicar el All Parameters: F( 6, 12)= 5.7324
comportamiento de la Formación Bruta de Capital Fijo en España en función del Consumo Break Point(s): 198701 199401
Nacional y de la Utilización de la Capacidad Productiva desplazada un período:
IVF formación bruta de capital fijo. Precios constantes base 1995.

C consumo privado nacional. Precios constantes base 1995.
UCP.IV utilización de la capacidad productiva (media anual).
Una vez realizada la oportuna regresión1, se obtienen los siguientes resultados:
1
En Modler, una vez abierto en Banco de Datos correspondiente, se sigue la ruta Analyze → Regresión y se teclea la
fórmula de la regresión IVF=f(C ,UCP.IV(-1)).
1 2
78
• CO TRASTE Objetivo del Test:
Contrastar la significación de los parámetros del modelo considerados en su conjunto,

MODLER calcula por defecto los siguientes TEST, tanto de significación de los parámetros, para un nivel de confianza exigido.
como de verificación de las hipótesis del Modelo Lineal:
Formulación:
• TEST DE SIG IFICACIÓ I DIVIDUAL DE LOS PARÁMETROS Bajo la hipótesis nula (ningún parámetro significativo) se tiene que:
Localización:
 R2 
 
p  F _ Statistic = 
k −1 ≤ F
C1) 0.38792 28.88873 0.01343 .08064E+7 ( k −1, n − k ) = 1 − ε
 1− R 2 
C2) 163510 5.15597 31712.87857 78.040  
C3) -18224490 -7.58260 2.40346E+6 1.000  n−k 
Objetivo del Test: Ejemplo:
Contrastar la significación del parámetro correspondiente, para un nivel de confianza Para (1-ε)=0.99, el valor tabulado de la distribución F es de 6.01, con lo que no se
exigido. acepta la hipótesis nula: existe al menos un parámetro significativo.
Formulación: Bibliografía:
Bajo la hipótesis nula (parámetro no-significativo) se tiene que: GREE E, W.H. (1999) Análisis Econométrico. 3ª Edición. Prentice Hall. Madrid
 
 parameter j βj 
p = ≤ t n −k  = 1 − ε
 std _ error j σ~ 2 ( X ' X ) −jj1  • TEST DE EXISTE CIA DE AUTOCORRELACIÓ DE DURBI Y WATSO
 
Localización:
Ejemplo:
Variance= 2.86640E+11 Dependent Mean= 1.42450E+7
Para (1-ε)=0.95, el valor tabulado de la distribución t es de 2.101, con lo que en ninguno Standard Error=************ Percent Error= 3.76%
de los parámetros se acepta la hipótesis nula: los parámetros son significativos R-Square= 0.9822 R-Bar-Square= 0.9802
considerados individualmente. Schwarz Criterion=26.6623 Akaike Criterion= 26.5131
Bibliografía:
Objetivo del Test:
GREE E, W.H. (1999) Análisis Econométrico. 3ª Edición. Prentice Hall. Madrid
Contrastar el cumplimiento de la hipótesis básica de ausencia de autocorrelación en las
perturbaciones aleatorias, para un nivel de confianza exigido.
• TEST DE SIG IFICACIÓ CO JU TA DE LOS PARÁMETROS Formulación:
Localización: Bajo la hipótesis nula (ausencia de autocorrelación) se tiene que:
Variance= 2.86640E+11 Dependent Mean= 1.42450E+7 T
∑ (uˆ − uˆ t −1 )
2
Standard Error=************ Percent Error= 3.76% t
R-Square= 0.9822 R-Bar-Square= 0.9802 t =2
Schwarz Criterion=26.6623 Akaike Criterion= 26.5131 d u ≤ dw − statistic = T
≤ 4 − du
∑ (uˆ )
2
Max LLF= -305.18480 F-Statistic: F( 2, 18)= 496.9143 t
DW Statistic= 1.06048 t =1
3 4
79
mientras que para el caso de autocorrelación dicho estadístico es menor que el valor Bibliografía:
tabulado d(l) o bien mayor que 4-d(l).
I TRILLIGATOR, BODKI , HSIAO (1996) Econometric Models, Techniques and
Ejemplo: Applications. Prentice Hall. ew Jersey.
Para (1-ε)=0.95, el valor tabulado del estadístico d es de d(l)=1.13 y d(u)=1.54, con lo

que no se acepta la hipótesis nula: existe autocorrelación de primer orden.
• TEST DE BOX-PIERCE
Bibliografía:
Localización:
• TEST DE JARQUE-BERA Breusch-Godfrey Test: F( 1, 17)= 6.4452, Chi-Sqr( 1) = 5.7730
Objetivo del Test:

Localización:
Residuals Properties Tests: Contrastar el cumplimiento de la hipótesis de ausencia de autocorrelación en las

Jarque-Bera Test: Chi-Sqr( 2) = 1.0055 perturbaciones, para un nivel de confianza exigido.
Ljung-Box Test: Chi-Sqr( 1) = 5.2156 Formulación:
Objetivo del Test: Bajo la hipótesis nula (ausencia de autocorrelación), el estadístico Q:
l
Contrastar el cumplimiento de la hipótesis de normalidad en la perturbación aleatoria, Q = n∑ r j2
para un nivel de confianza exigido. j =1
Formulación: con
Bajo la hipótesis de distribución normal en la perturbación, el estadístico: n
2 2
∑ uˆ uˆ
t = j +1
t t− j
1  n 3 1  n 4  rj =
 ∑ ei  + (
∑ ei − 3 
24n  i =1
) n
6n  i =1  ∑ uˆ
t =1
t
2
con:
se distribuye como una distribución Chi-cuadrado con l grados de libertad.
uˆ i − uˆ Ejemplo:
ei =
σ̂
Para (1-ε)=0.95, el valor tabulado de la distribución Chi-Cuadrado es de 3.84, con lo
se distribuye como una Chi-Cuadrado con 2 grados de libertad. que se rechaza la hipótesis nula: existe autocorrelación en las perturbaciones.
Ejemplo: Bibliografía:
Para (1-ε)=0.95, el valor tabulado de la distribución Chi-Cuadrado es de 5.99, con lo que GREE E, W.H. (1999) Análisis Econométrico. 3ª Edición. Prentice Hall. Madrid
se acepta la hipótesis nula: el vector de las perturbaciones aleatorias se distribuye como OTERO, J.M. (1993) Econometría. Series Temporales y Predicción. Editorial AC.
una normal. Madrid
5 6
80
• TEST DE BREUSCH-GODFREY
• TEST DE LJU G-BOX
Localización:
Localización:
Residuals Properties Tests: Jarque-Bera Test: Chi-Sqr( 2) = 1.0055
Jarque-Bera Test: Chi-Sqr( 2) = 1.0055 Box-Pierce Test: Chi-Sqr( 1) = 4.5353
Box-Pierce Test: Chi-Sqr( 1) = 4.5353 Ljung-Box Test: Chi-Sqr( 1) = 5.2156
Ljung-Box Test: Chi-Sqr( 1) = 5.2156 Breusch-Godfrey Test: F( 1, 17)= 6.4452, Chi-Sqr( 1) = 5.7730
Objetivo del Test:
Objetivo del Test:
Contrastar el cumplimiento de la hipótesis de ausencia de autocorrelación en las
Contrastar el cumplimiento de la hipótesis de ausencia de autocorrelación en las perturbaciones, para un nivel de confianza exigido.
perturbaciones, para un nivel de confianza exigido.
Formulación:
Formulación:
Es un contraste de multiplicadores de Lagrange. Se contrasta H0:ausencia de
Bajo la hipótesis nula (ausencia de autocorrelación), el estadístico Q’: autocorrelación; frente a H1: ut=AR(p) o ut=MA(p)
l r j2 En su cálculo se estima la regresión:

Q' = n(n + 2)∑
j =1 n− j
uˆ t = f ( x t1 , x t 2 ,..., x tk , uˆ t −1 , uˆ t − 2 ,..., uˆ t − p )
con
y se compara nR2 (tamaño muestral por el coeficiente de determinación) con la
n distribución Chi-Cuadrado con p grados de libertad (por tanto, MODLER calcula el
∑ uˆ uˆ
t = j +1
t t− j contrate para el caso de autocorrelación de primer orden).
rj = n
∑ uˆ
t =1
t
2 Existe una formulación alternativa para utilizar la distribución F(p,n-k-p).
Ejemplo:
se distribuye como una Chi-cuadrado con l grados de libertad.
que se rechaza la hipótesis nula: existe autocorrelación en las perturbaciones.
Ejemplo:
Bibliografía:
que se rechaza la hipótesis nula: existe autocorrelación en las perturbaciones. GREE E, W.H. (1999) Análisis Econométrico. 3ª Edición. Prentice Hall. Madrid
OTERO, J.M. (1993) Econometría. Series Temporales y Predicción. Editorial AC.
Bibliografía: Madrid

Madrid
7 8
81
• TEST RESET DE RAMSEY
• TEST h DE DURBI
Localización:
Localización2:
Variance= 7.67125E+11 Dependent Mean= 1.44658E+7 Ramsey RESET Test: F( 1, 17)= 0.0685, Chi-Sqr( 1) = 0.0843
R-Square= 0.9516 R-Bar-Square= 0.9459 Objetivo del Test:
Max LLF= -300.41274 F-Statistic: F( 2, 17)= 167.1800 Contrastar el cumplimiento de las hipótesis de forma funcional correcta, independencia
entre regresores y perturbaciones, y homoscedasticidad (hipótesis nula).
Durbin h-Statistic= 2.63650
Formulación:
Objetivo del Test: Test basado en los multiplicadores de Lagrange. A partir de la estimación MCO del
modelo se obtienen los valores û e ŷ . Luego se obtiene la regresión:
Contrastar el cumplimiento de la hipótesis básica de ausencia de autocorrelación en las
perturbaciones (hipótesis nula), en el caso de que existe como regresor una endógena
uˆ t = f ( x t1 , x t 2 ,..., xtk , yˆ t1 , yˆ t2 , yˆ t3 ,.., yˆ tm )
desplazada, caso en el que el estadístico Durbin_Watson pierde su validez.
Formulación: y se compara nR2 (tamaño muestral por el coeficiente de determinación) con la

distribución Chi-Cuadrado con m grados de libertad. MODLER calcula el estadístico
con m=1.
 d n
h = 1 − 
 2  1 − nσ~ 2 ( X ' X )−jj1 Existe una versión del test para comparar con una distribución F(m,n-k-m).
con: n número de datos Ejemplo:

d estadístico de Durbin-Watson
σ2 varianza insesgada de los resíduos MCO Para (1-ε)=0.95, el valor tabulado de la distribución Chi-Cuadrado es de 3.84, con lo
X matriz de información de los regresores que se acepta la hipótesis nula: las perturbaciones son regulares (forma funcional
J regresor endógena desplazada correcta, independencia entre regresores y perturbaciones, y existencia de
homoscedasticidad).
El estadístico, en el caso de H0, se distribuye como una normal tipificada (0,1).
Bibliografía:
Ejemplo:
Para (1-ε)=0.95, el valor tabulado de la distribución N(0,1)F es de 1.64, con lo que se OTERO, J.M. (1993) Econometría. Series Temporales y Predicción. Editorial AC.
rechaza la hipótesis nula: las perturbaciones presentan autocorrelación. Madrid
Bibliografía:
GREE E, W.H. (1999) Análisis Econométrico. 3ª Edición. Prentice Hall. Madrid • TEST DE BREUSCH-PAGA
Localización:
2
El test no se muestra por defecto; sino que debe generarse la regresión oportuna añadiendo que se desea Breusch-Pagan Test: F( 2, 18)= 1.4817, Chi-Sqr( 2) = 2.9686
disponer de los resultados de este test. Supóngase el modelo alternativo en el que existe una endógena ARCH Process Test: F( 2, 17)= 0.5934, Chi-Sqr( 2) = 1.2399
desplazada (el modelo se muestra en el Anexo 1). Para que se genere el test en Modler, habrá que teclear:
ivf=f(ucp.iv(-1),ivf(-1);test:dbh)
9 10
82
Objetivo del Test:
Objetivo del Test:
Contrastar el cumplimiento de la hipótesis básica de homoscedasticidad (hipótesis
nula). Supone que, de existir heteroscedasticidad, ésta es de la forma: Contrastar el cumplimiento de la hipótesis básica de homoscedasticidad (hipótesis
nula). Supone que, de existir heteroscedasticidad, ésta depende de la incertidumbre
σ i2 = σ 2 (α 0 + α ' z i ) pasada, esto es, se puede especificar su comportamiento de la forma:
σ i2 = σ 2 + γ 1u t2−1 + γ 2 u t2− 2 + γ 3 u t2−3 + ... + +γ p u t2− p con γj >0

con zi un vector de variables independientes (MODLER considera las propias variables
del modelo en contrastación)
Formulación:
Formulación:
Test basado en los multiplicadores de Lagrange. A partir de la estimación MCO del
Test basado en los multiplicadores de Lagrange. A partir de la estimación MCO del modelo se obtienen los valores û. Luego se estima la regresión:
modelo se obtienen los valores û. Luego se obtiene la serie de valores normalizados gi:
uˆ t2 = f (uˆ t2−1 , uˆ t2− 2 ,..., uˆ t2− p )
2
uˆ i
gi = n y se compara nR2 (tamaño muestral por el coeficiente de determinación) con la
∑ uˆ
i =1
2
i distribución Chi-Cuadrado con p grados de libertad. MODLER calcula el estadístico
con p=1.
n
Existe una versión del test para comparar con una distribución F(p+1,n-k-p).
El estadístico LM se calcula como:
Ejemplo:
LM=1/2 de la suma de cuadrados explicada en la regresión gi=f(zi)
O bien, a efectos operativos:
que se acepta la hipótesis nula: las perturbaciones no presentan heteroscedasticidad
condicionada al comportamiento autorregresivo (ARCH).
LM=(1/2)[g’Z(Z’Z)-1Z’g-n]
Bibliografía:
Bajo H0, LM se ditribuye como una Chi-Cuadrado de grados de libertad igual al
número de variables z.
Existe una versión del test para comparar con una distribución F(nºde_z,n-nºde_z).
Madrid
Ejemplo:

• TEST DE PERMA E CIA ESTRUCTURAL DE CHOW
que se acepta la hipótesis nula: las perturbaciones presentan homoscedasticidad.
Localización:
Bibliografía:
GREE E, W.H. (1999) Análisis Econométrico. 3ª Edición. Prentice Hall. Madrid Intercept Parameters: F( 2, 16)= 1.5152
Break Point(s): 198701 199401
• TEST SOBRE PROCESOS TIPO ARCH
Objetivo del Test:
Localización:
Contrastar el cumplimiento de la hipótesis básica de permanencia estructural
Breusch-Pagan Test: F( 2, 18)= 1.4817, Chi-Sqr( 2) = 2.9686 (coeficientes fijos) (hipótesis nula).
11 12
83
Formulación: • VALIDACIÓ DEL MODELO
MODLER supone, generalmente, dos puntos de ruptura estructural, lo que da lugar a

tres submuestras. A partir de la estimación MCO del modelo con toda la muestra y con • COEFICIE TE DE DETERMI ACIÓ LI EAL (CORREGIDO)
cada una de las submuestras se obtienen los valores û , ûI , ûII , ûIII . Luego se calcula el
estadístico:
Localización:
scr − ( scr i + scr ii + scr iii )
2k Standard Error=************ Percent Error= 3.76%
scr i + scr ii + scr iii R-Square= 0.9822 R-Bar-Square= 0.9802
n − 3k Schwarz Criterion=26.6623 Akaike Criterion= 26.5131
con scr suma de los cuadrados de los resíduos de la regresión general, o de la efectuada
con las submuestras correspondientes. Significado:
El estadístico, bajo H0 , se distribuye como una F(2k,n-3k). Porcentaje de variación (varianza) de la variable endógena explicado por la variación
(varianza) de las variables explicativas.
Ejemplo:
Formulación:
Para (1-ε)=0.95, el valor tabulado de la distribución F es de 3.00, con lo que se rechaza
la hipótesis nula: existe cambio estructural.
[
R 2 =1− 1− R2 ] nn −− k1
Bibliografía:
Ejemplo:
GREE E, W.H. (1999) Análisis Econométrico. 3ª Edición. Prentice Hall. Madrid.
El 98.02% de la variación de IVF viene explicado por la variación de las variables
explicativas.
Bibliografía:
• CRITERIO DE I FORMACIÓ DE SCHWARZ
Localización:

Significado:
Sirve para comparar la bondad en el ajuste entre dos modelos alternativos. Está basado
en las función de verosimilitud de cada modelo. Tiene como ventaja respecto al valor
13 14
84
del R2 corregido que la elección no se ve distorsionada por las transformaciones a las
que se someta la variable endógena. Se elige el modelo con un estadístico SCH menor.
Alternativamente, puede calcularse utilizando el valor de los residuos como:
Formulación:
 n 2 
− 2 ⋅ λ k ⋅ ln (n )  ∑ uˆ i 
SCH = + AIC = n ⋅ ln  i =1 + 2⋅k
n n  n 
 
con:  
λ valor de la función de verosimilitud

k número de parámetros estimados Ejemplo:
n número de observaciones (tamaño muestral)
En la elección entre el modelo diagnosticado y el modelo alternativo del Anexo 1, el
Ejemplo: estadístico AIC indica un criterio de selección favorable al primer modelo (un valor de
AIC de 26.51 frente al valor de AIC de 27.50 en el modelo alternativo).
En la elección entre el modelo diagnosticado y el modelo alternativo del Anexo 1, el
estadístico AIC indica un criterio de selección favorable al primer modelo (un valor de Bibliografía:
AIC de 26.51 frente al valor de AIC de 27.50 en el modelo alternativo).
CABRER, B. et al (2001) Microeconometría y Decisión. Editorial Pirámide. Madrid
Bibliografía:
CABRER, B. et al (2001) Microeconometría y Decisión. Editorial Pirámide. Madrid
• CRITERIO DE I FORMACIÓ DE AKAIKE (AIC)
Localización:

Significado:
Sirve para comparar la bondad en el ajuste entre dos modelos alternativos. Está basado
en las función de verosimilitud de cada modelo. Tiene como ventaja respecto al valor
del R2 corregido que la elección no se ve distorsionada por las transformaciones a las
que se someta la variable endógena. Se elige el modelo con un estadístico AIC menor.
Formulación:
AIC = −2 ⋅ ln(λ ) + 2 ⋅ k
con:
λ valor de la función de verosimilitud

k número de parámetros estimados
15 16
85
A EXO 1. MODELO ALTER ATIVO CO VARIABLE E DÓGE A DESPLAZADA. A EXO 2. DATOS UTILIZADOS E LA ESTIMACIÓ .
Equation Number: 4 SERIES: IVF SOURCE: MECH

Sample Period: 1981- 2000 FORMACION BRUTA DE CAPITAL FIJO. PRECIOS CONSTANTES 1995.
Number of Observations: 20 Last Extended: 1/14/02
ANNUAL DATA
ivf=C1*(ucp.iv(-1))+C2*(ivf(-1))+C3 1980/19859.82710E+6 9.66470E+6 9.76220E+6 9.64170E+6 9.18070E+6 9.79570E+6
1986/19911.08206E+7 1.21405E+7 1.37860E+7 1.54419E+7 1.64383E+7 1.67114E+7
Parameter T-Statistic Std Error Mean 1992/19971.60207E+7 1.45936E+7 1.48638E+7 1.60146E+7 1.63471E+7 1.71569E+7
C1) 59675 1.10211 54146.45175 78.030 1998/20001.88242E+7 2.04764E+7 2.16359E+7
C2) 1.0228 16.54846 0.06181 .38754E+7
C3) -4382759 -1.09765 3.99286E+6 1.000
SERIES: CN SOURCE: MECH
Variance= 7.67125E+11 Dependent Mean= 1.44658E+7 GASTO EN CONSUMO FINAL NACIONAL.PRECIOS CONSTANTES 1995.
Standard Error=************ Percent Error= 6.05% Last Extended: 1/14/02
Schwarz Criterion=27.6528 Akaike Criterion= 27.5034 ANNUAL DATA
Max LLF= -300.41274 F-Statistic: F( 2, 17)= 167.1800 1980/19853.92287E+7 3.91888E+7 3.95478E+7 3.99187E+7 4.00006E+7 4.10774E+7
DW Statistic= 0.83502 1986/19914.25786E+7 4.53929E+7 4.74946E+7 5.03581E+7 5.24205E+7 5.42910E+7
1992/19975.56300E+7 5.51392E+7 5.56669E+7 5.67137E+7 5.78191E+7 5.96095E+7
Durbin h-Statistic= 2.63650 1998/20006.21765E+7 6.50399E+7 6.76428E+7
Residuals Properties Tests: SERIES: UCP.IV UNITS: PORC SOURCE: MIE

Jarque-Bera Test: Chi-Sqr( 2) = 1.3883 UTILIZACION DE LA CAPACIDAD PRODUCTIVA. BIENES DE INVERSIÓN (Media anual)
Box-Pierce Test: Chi-Sqr( 1) = 6.5388 Last Revised: 9/21/02 Last Extended: 9/21/02
Breusch-Godfrey Test: F( 1, 16)= 20.9822, Chi-Sqr( 1) = 11.3472 ANNUAL DATA
1965/1970 84.000 85.500 78.500 81.250 85.750 86.000
Functional Form Test(s): 1971/1976 83.000 87.750 89.000 86.750 80.500 80.250
Ramsey RESET Test: F( 1, 16)= 0.0221, Chi-Sqr( 1) = 0.0276 1977/1982 82.500 80.000 78.250 75.250 78.500 82.250
1983/1988 77.250 72.250 74.750 76.500 77.550 83.225
Hetroscedasticity Test(s): 1989/1994 83.675 83.275 77.300 74.450 69.425 73.725
Breusch-Pagan Test: F( 2, 17)= 0.4036, Chi-Sqr( 2) = 0.9066 1995/2000 78.225 78.550 80.425 82.100 81.925 81.975
ARCH Process Test: F( 2, 16)= 0.5678, Chi-Sqr( 2) = 1.1929 2001 79.350

Break Point(s): 198901 199501
17 18
86
Equation Number: 1
Elementos de Econometría Sample Period: 1980- 2000
Laboratorio Mejora de un modelo econométrico uniecuacional. Ordinary Least Squares
ivf=C1*cn+C2*(ucp.iv(-1))+C3

C1) 0.38792 28.88873 0.01343 .08064E+7
C2) 163510 5.15597 31712.87857 78.040
El presente laboratorio tiene como objetivo realizar una mejora, desde el punto de vista de su C3) -18224490 -7.58260 2.40346E+6 1.000
consistencia técnica y su validez, de un modelo econométrico uniecuacional estimado: actuaciones
tendentes a lograr el cumplimiento de las hipótesis básicas que lo sustentan, mejora de su Variance= 2.86640E+11 Dependent Mean= 1.42450E+7
especificación, e incremento de su capacidad para representar la realidad (validación). R-Square= 0.9822 R-Bar-Square= 0.9802
El software utilizado para la práctica es Modler for Windows, si bien las técnicas utilizadas son Max LLF= -305.18480 F-Statistic: F( 2, 18)= 496.9143
comunes a cualquier software econométrico. DW Statistic= 1.06048
En este sentido, para la realización del laboratorio se presupone que se poseen conocimientos Residuals Properties Tests:
básicos sobre la estimación de un modelo uniecuacional con el software utilizado, tarea en la que no Jarque-Bera Test: Chi-Sqr( 2) = 1.0055
se entra en detalle en esta práctica. Box-Pierce Test: Chi-Sqr( 1) = 4.5353
El modelo que sirve de base para el ejemplo es el que sirve para la explicación de la Formación
Bruta de Capital Fijo en función del Consumo Nacional (como incentivador de la inversión en Functional Form Test(s):
capital), y la utilización de la capacidad productiva. Ramsey RESET Test: F( 1, 17)= 0.0685, Chi-Sqr( 1) = 0.0843
Estimación y diagnóstico.
Se va a estimar un modelo econométrico uniecuacional en el que se intenta explicar el All Parameters: F( 6, 12)= 5.7324
comportamiento de la Formación Bruta de Capital Fijo en España en función del Consumo Break Point(s): 198701 199401
Nacional y de la Utilización de la Capacidad Productiva desplazada un período:
IVF formación bruta de capital fijo. Precios constantes base 1995.

C consumo privado nacional. Precios constantes base 1995.
UCP.IV utilización de la capacidad productiva (media anual).
Una vez realizada la oportuna regresión1, se obtienen los siguientes resultados:
1
En Modler, una vez abierto en Banco de Datos correspondiente, se sigue la ruta Analyze → Regresión y se teclea la
fórmula de la regresión IVF=f(C ,UCP.IV(-1)).
1 2
87
A partir de los resultados obtenidos se puede construir una tabla con las condiciones técnicas Técnicas para la mejora del modelo.
del modelo como la siguiente:
A continuación se exponen una serie de técnicas y actuaciones que tienen como objetivo el
Test* Valor Valor tablas Conclusión
estadístico
cumplimiento de las hipótesis básicas del modelo lineal, en el caso de que el diagnóstico del modelo
uniecuacional base haya detectado que no se cumplen en primera instancia tales hipótesis.
C1) 28.88873 2.101 Significativo Las técnicas aquí propuesta en este laboratorio no son ni exhaustivas (es decir, no son todas
C2) 5.15597 2.101 Significativo las que hay), ni óptimas (pueden no ser las mejores soluciones de mejora, es decir, su utilización
C3) -7.58260 2.101 Significativo depende de la experiencia del modelizador), ni excluyentes (pueden aplicarse varias soluciones a la
vez).
Test F 496.9143 6.01 Parámetros significativos en conjunto
Jarque-Bera 1.0055 5.99 Normalidad El camino más lógico a seguir es el de intentar solucionar el incumplimiento de hipótesis
Test de Autocorrelación en los Residuos (**). básicas de acuerdo con la gravedad de las consecuencias que dicho incumplimiento origina sobre la
Durbin-Watson 1.06048 1.13-1.54 Autocorrelación calidad técnica del modelo (propiedades de los estimadores, etc.).
Box-Pierce 4.5353 3.84 Autocorrelación
Ljung-Box 5.2156 3.84 Autocorrelación En este sentido, un procedimiento razonable puede ser abordar, por este orden, la siguiente
2
Breusch-God. (X ) 5.7730 3.84 Autocorrelación
problemática:
Test de Forma Funcional.
Ramsey (X2) 0.0843 3.84 Forma Funcional Correcta
Tests de Heteroscedasticidad. 1. Cambio estructural (afecta a la propiedad de insesgadez de los estimadores).
Breusch-Pagan (X2) 2.9686 5.99 Homoscedasticidad 2. Regresores estocáticos, bajo ciertos supuestos en los que el regresor estocástico
Arch Process (X2) 1.2399 5.99 Homoscedasticidad puede originar sesgadez e inconsistencia de los estimadores.
Tests de Estabilidad Estructural. 3. Heteroscedasticidad, autocorrelación, no - normalidad de las perturbaciones
Chow (All Parameters) 5.7324 3.00 Cambio Estructural aleatorias (afectan a la propiedad de eficiencia de los estimadores).
(*) Test efectuados al 95% de probabilidad, salvo el de significación conjunta de los parámetros, realizado al 99%. 4. Multicolinealidad (su consideración o no como problema depende de objetivo para el
(**) El software empleado detecta la autocorrelación de primer orden de tipo autorregresivo (esquema AR(1)). que se construyó el modelo).
5. Muestras pequeñas (afecta a la eficiencia de los estimadores).
A continuación se propondrán algunas técnicas para intentar la mejora técnica y de En primer lugar se exponen, de forma condensada, las técnicas, comentándose a
representatividad de la realidad del modelo estimado. continuación su aplicación práctica en el modelo de ejemplo y, en el Anexo 1, su desarrollo con el
software utilizado.
3 4
88
Mejora del modelo uniecuacional de la formación bruta de capital fijo.
Problema Detección Consecuencias Técnica Comentario
Búsqueda de nuevas Cambio motivado por Omisión
variables explicativas. de Variables Relevantes.
Variables del modelo en Cambio motivado por forma Siguiendo el orden señalado en el apartado anterior, se procede a intentar la mejora del
logaritmos. funcional incorrecta (comprobar modelo de ejemplo con las técnicas mencionadas en la tabla.
con test de Ramsey-Reset).
Cambios de tipo contínuo. El test de Chow detecta un problema de cambio estructural, que es el primer problema a
Incluir una variable Cambio motivado por forma abordar. El test de Ramsey parece descartar que el cambio venga provocado por una forma
Test de Estimadores sesgados,
tendencial. funcional incorrecta (comprobar
Cambio Estabilidad inconsistentes,
con test de Ramsey-Reset). funcional incorrecta, a pesar de lo cual se probarán las técnicas propuestas para este tipo de cambio.
Estructural. Estructural ineficientes. A expensas de no buscar variables importantes que pudieran haber sido omitidas, van a llevarse a
Cambios de tipo contínuo.
(Chow). Previsiones erróneas.
Incluir endógena Comprobar con el contraste h que cabo las técnicas propuestas para intentar solucionar el problema de cambio estructural.
desplazada. no existe problemática asociada a
regresores estocásticos.
Dividir la muestra. Cambio estructural de tipo
discreto.
1. Variables en Logaritmos.
Incluir una variable Cambio estructural de tipo
ficticia. discreto.
Si el regresor es una Incluir un esquema de El software utilizado permite la Equation Number: 2
endógena desplazada autocorrelación en el incorporación de esquemas de Sample Period: 1980- 2000
y existe modelo. autocorrelación tipo AR(1). Number of Observations: 21
Test h de Ordinary Least Squares
autocorrelación en las
Regresores Durbin (caso de
perturbaciones, los
Estocásticos endógena ln(ivf)=C1*ln(cn)+C2*(ln(ucp.iv(-1)))+C3
estimadores son
desplazada).
sesgados,
inconsistentes e Parameter T-Statistic Std Error Mean
ineficientes. C1) 1.4261 26.41493 0.05399 17.728
Variables del modelo en C2) 0.77394 3.95311 0.19578 4.356
logaritmos. C3) -12.216 -10.81430 1.12961 1.000
Dividir las variables por
Heteros- Test de Variance= 0.001847 Dependent Mean= 16.437
Pérdida de eficiencia. otra nueva variable para
cedasticidad Breusch-Pagan Standard Error= 0.042980 Percent Error= 0.26%
reducir la variabilidad
(cambio en la
especificación)
Test de Durbin- Incorporación de un El software utilizado permite la
Watson, Box- esquema de incorporación de esquemas de
Auto-
Pierce, Ljung- Pérdida de eficiencia. autocorrelación en el autocorrelación tipo AR(1). Residuals Properties Tests:
correlación
Box, Breusch- modelo Jarque-Bera Test: Chi-Sqr( 2) = 0.1621
Godfrey Box-Pierce Test: Chi-Sqr( 1) = 7.7556
Puede afectar a los Variables del modelo en Ljung-Box Test: Chi-Sqr( 1) = 8.9190
o - Test de Jarque- resultados de ciertos logaritmos. Breusch-Godfrey Test: F( 1, 17)= 15.3085, Chi-Sqr( 1) = 9.9503
ormalidad Bera contrastes
paramétricos. Functional Form Test(s):
Pérdida de eficiencia. Eliminar o sustituir las Las consecuencias son Ramsey RESET Test: F( 1, 17)= 3.2962, Chi-Sqr( 1) = 3.4105
Síntomas:
El valor de los variables que provocan perjudiciales si el modelo debe
estadísticos t
coeficientes la multicolinealidad. ser utilizado en análisis Hetroscedasticity Test(s):
bajos y R2
estimados, Incrementar la muestra. estructural. Si es para previsión, Breusch-Pagan Test: F( 2, 18)= 2.2120, Chi-Sqr( 2) = 4.1430
Multi- elevado.
considerados puede convivirse con el ARCH Process Test: F( 2, 17)= 1.2809, Chi-Sqr( 2) = 2.4883
colinealidad Correlaciones
individualmente, problema.
entre variables
pueden ser Structural Stability Test, Based On 3 Subperiods
explicativas
incoherentes con la Intercept Parameters: F( 2, 16)= 4.3836
elevadas.
teoría económica. Slope Parameters: F( 4, 12)= 3.4029
Grados de Simplificar el modelo Un incremento de muestra puede All Parameters: F( 6, 12)= 4.6076
Muestras libertad por (eliminar variables no- dar lugar a problemas de cambio Break Point(s): 198701 199401
Pérdida de eficiencia.
Pequeñas debajo de 10- significativas). estructural.
12. Incrementar la muestra. Esta técnica NO elimina el problema de cambio estructural (valor 3.00 para tablas al 95%).
5 6
89
2. Inclusión de variable tendencial. 3. Inclusión de variable endógena desplazada.
Equation Number: 3
ivf=C1*cn+C2*(ucp.iv(-1))+C3*tendencia+C4
ivf=C1*cn+C2*(ucp.iv(-1))+C3*(ivf(-1))+C4
C1) 0.52054 6.32455 0.08231 .08064E+7 Parameter T-Statistic Std Error Mean
C2) 133889 3.78628 35361.68140 78.040 C1) 0.37409 4.95458 0.07550 .13853E+7
C3) -195171 -1.63132 119640.30065 11.000 C2) 159034 3.93746 40390.08198 78.030
C4) -20503857 -7.61974 2.69089E+6 1.000 C3) 0.03877 0.19137 0.20261 .38754E+7
C4) -17704393 -4.74637 3.73009E+6 1.000
Standard Error=************ Percent Error= 3.60% Variance= 3.21623E+11 Dependent Mean= 1.44658E+7
R-Square= 0.9846 R-Bar-Square= 0.9819 Standard Error=************ Percent Error= 3.92%
Schwarz Criterion=26.6618 Akaike Criterion= 26.4629 R-Square= 0.9809 R-Bar-Square= 0.9773
Max LLF= -303.65775 F-Statistic: F( 3, 17)= 362.7363 Schwarz Criterion=26.8726 Akaike Criterion= 26.6735
Residuals Properties Tests: Durbin h-Statistic= 4.44761

Ljung-Box Test: Chi-Sqr( 1) = 6.1561 Residuals Properties Tests:
Breusch-Godfrey Test: F( 1, 16)= 9.0350, Chi-Sqr( 1) = 7.5788 Jarque-Bera Test: Chi-Sqr( 2) = 0.9714
Functional Form Test(s): Ljung-Box Test: Chi-Sqr( 1) = 4.9346
Ramsey RESET Test: F( 1, 16)= 0.1724, Chi-Sqr( 1) = 0.2239 Breusch-Godfrey Test: F( 1, 15)= 7.1197, Chi-Sqr( 1) = 6.4374
Hetroscedasticity Test(s): Functional Form Test(s):

Breusch-Pagan Test: F( 3, 17)= 1.1611, Chi-Sqr( 3) = 3.5711 Ramsey RESET Test: F( 1, 15)= 0.0519, Chi-Sqr( 1) = 0.0690
Structural Stability Test, Based On 3 Subperiods Breusch-Pagan Test: F( 3, 16)= 1.1755, Chi-Sqr( 3) = 3.6119
Intercept Parameters: F( 2, 15)= 1.3114 ARCH Process Test: F( 2, 16)= 0.8787, Chi-Sqr( 2) = 1.7815
All Parameters: F( 8, 9)= 8.1117 Structural Stability Test, Based On 3 Subperiods
Break Point(s): 198701 199401 Intercept Parameters: F( 2, 14)= 1.5445
La variable tendencia es una variable cuyos datos son 1 para la primera observación, 2 para All Parameters: F( 8, 8)= 6.4444
Break Point(s): 198901 199501
la segunda, etc (ver anexo).
Como en el caso anterior, esta solución suele ser útil en el caso de cambios de estructura de
Esta alternativa también suele ser útil a cambios estructurales de tipo continuo. En este caso,
tipo continuo. En efecto, como indica el test de estabilidad estructural de Chow, esta alternativa no
nuevamente, no se soluciona el problema, como indica el test de Chow.
alivia el problema de cambio estructural (valor de la F de tablas al 95%= 3.23), ya que el problema
parece estar ligado a un cambio de estructura de tipo discreto.
Además, al incluir una endógena desplazada, este regresor estocástico proporcionará serios
problemas en la calidad de los estimadores si la perturbación aleatoria está autocorrelacionada. El
contraste h de Durbin así parece confirmarlo (estadístico de 4.44 frente al valor tabulado de 1.64 al
95% de probabilidad).
7 8
90
4. Dividir la muestra. 5. Inclusión de variable ficticia.
Equation Number: 5 Equation Number: 6

Sample Period: 1986- 2000 Sample Period: 1980- 2000
Number of Observations: 15 Number of Observations: 21
Ordinary Least Squares Ordinary Least Squares
ivf=C1*cn+C2*(ucp.iv(-1))+C3 ivf=C1*cn+C2*(ucp.iv(-1))+C3*dum86+C4
Parameter T-Statistic Std Error Mean Parameter T-Statistic Std Error Mean
C1) 0.35127 21.00807 0.01672 .51982E+7 C1) 0.35731 18.29674 0.01953 .08064E+7
C2) 206236 7.37829 27951.82656 78.340 C2) 169833 5.76803 29443.93451 78.040
C3) -19461303 -9.13334 2.13080E+6 1.000 C3) 769173 2.02917 379057.91676 0.714
C4) -17711781 -7.93073 2.23331E+6 1.000
Standard Error=************ Percent Error= 2.60% Variance= 2.44324E+11 Dependent Mean= 1.42450E+7
R-Square= 0.9813 R-Bar-Square= 0.9782 Standard Error=************ Percent Error= 3.47%
Schwarz Criterion=26.2041 Akaike Criterion= 26.0625 R-Square= 0.9857 R-Bar-Square= 0.9832
Max LLF= -213.75280 F-Statistic: F( 2, 12)= 314.8633 Schwarz Criterion=26.5904 Akaike Criterion= 26.3914

Jarque-Bera Test: Chi-Sqr( 2) = 0.7308 Residuals Properties Tests:
Box-Pierce Test: Chi-Sqr( 1) = 0.0093 Jarque-Bera Test: Chi-Sqr( 2) = 1.4587
Ljung-Box Test: Chi-Sqr( 1) = 0.0113 Box-Pierce Test: Chi-Sqr( 1) = 0.8101
Breusch-Godfrey Test: F( 1, 11)= 0.0280, Chi-Sqr( 1) = 0.0381 Ljung-Box Test: Chi-Sqr( 1) = 0.9316
Ramsey RESET Test: F( 1, 11)= 0.7070, Chi-Sqr( 1) = 0.9059 Functional Form Test(s):
Breusch-Pagan Test: F( 2, 12)= 1.4905, Chi-Sqr( 2) = 2.9848 Hetroscedasticity Test(s):
ARCH Process Test: F( 2, 11)= 0.4519, Chi-Sqr( 2) = 0.9870 Breusch-Pagan Test: F( 3, 17)= 0.5405, Chi-Sqr( 3) = 1.8285
Intercept Parameters: F( 2, 10)= 5.7778 Structural Stability Test, Based On 3 Subperiods
Slope Parameters: F( 4, 6)= 0.6542 Intercept Parameters: F( 2, 15)= 0.1419
All Parameters: F( 6, 6)= 2.0957 Slope Parameters: F( 6, 9)= -1.4992
Break Point(s): 199101 199601 All Parameters: F( 8, 9)= -1.1244
Break Point(s): 198701 199401
En esta ocasión se ha optado por buscar un punto de ruptura estructural (es decir, se ha La variable DUM86 es una variable dicotómica que toma valores 0 en el período 1980-1985,
planteado la posibilidad de que exista un cambio de estructura de tipo discreto) y dividir la muestra. y valores 1 en 1986-2000.
Como punto se ha propuesto 1986. Con los datos del período 1986-2000 se ha estimado el modelo,
obteniéndose una estimación que deja de adolecer de problemas de cambio estructural (valor F La inclusión de una variable dicotómica es utilizada principalmente en cambios estructurales
tabulado de 4.28). de tipo discreto, cuando la escasez de datos imposibilita la división de la muestra.
Debido a las características técnicas del software utilizado, la inclusión de la variable ficticia
imposibilita realizar el test de estabilidad estructural de Chow, ya que se calculan valores para la
distribución F negativos. Por tanto, no se puede verificar el cumplimiento de la hipótesis de
estabilidad estructural.
Una forma aproximada de juzgar si la inclusión de la variable ficticia es conveniente es

analizar la significatividad estadística de su parámetro. Si éste es significativo, puede pensarse que
9 10
91
el cambio de estructura planteado en el punto de ruptura (año en el que la variable ficticia cambia de ANEXO 1. Implementación informática de las mejoras del modelo.
valor) era lo suficientemente importante como para ser recogido explícitamente por medio de ésta
variable. En este sentido, el valor tabulado de la distribución t al 95% de probabilidad es 2.110, por
lo que la influencia de la variable ficticia (que recoge el efecto del cambio de estructura) sobre el
A continuación se exponen algunas notas útiles para la incorporación de las técnicas de mejora a los
comportamiento de la variable endógena NO es lo suficientemente importante como para ser
modelos estimados mediante Modler for Windows.
especificado.
• Estimación de un modelo con variables en logaritmos:
En conclusión, la opción más conveniente parece ser la opción 4 (dividir la muestra). Esta Se estima el modelo normalmente siguiendo la ruta Analyze → Regression, poniendo las
opción da como resultado un modelo que cumple con las hipótesis básicas del modelo lineal. variables de la forma:
ln(endogena)=f(ln(explicativa1),ln(explicativa2))
Es importante recordar, aún así, que a veces HABRÁ QUE UTILIZAR VARIAS
TÉCNICAS a la vez para la mejora del modelo, e incluso otras técnicas no comentadas en estas
• Crear una variable tendencia para incluirla en un modelo:
páginas. Otras veces, no se llegará al cumplimiento de todas las hipótesis, por lo que el modelo
adolecerá de ciertas penalizaciones técnicas.
Se sigue la ruta Data → Key in Series. En la ventana que se abre se pone el nombre que se desee
En el Anexo 1 se explica la forma de implementar informáticamente, con el software Modler para la variable (por ejemplo ‘tendencia’):
for Windows, éstas y otras soluciones.
Y se rellenan los campos correspondientes en la nueva ventana, tras lo cuál se pulsa ‘OK’.:
11 12
92
• Incluir una variable endógena desplazada:
• Incluir un esquema de autocorrelación en el modelo:
Además de la endógena, conviene teclear la instrucción para obtener el estadístico h de Durbin.
Se estima el modelo normalmente (Analyze → Regresión), poniendo las variables de la forma: Se estima el modelo base normalmente. Luego, en la ventana de la estimación, se procede a
activar la opción Methods → Autocorrelation Corrections, y se elige una (usualmente Hildreth-
endogena=f(explicativa,endogena(-1);test:dbh) Lu o Cochrane-Orcutt):
• Dividir la muestra:
Tras seleccionar un punto de división de la muestra, se cambiarán, antes de estimar, el Data

Range, pulsando en la barra inferior de Modler y modificando la ventana:
• Crear una variable ficticia para incluirla en un modelo:
Se siguen los mismos pasos que para crear una variable tendencial: Data → Key in Series. En la
ventana que se abre se escribe el nombre que se desee para la variable (por ejemplo ‘dum86’).
Aparecerá un nuevo formulario en el que se teclearán los datos (0 y 1).Se confirmará con ‘OK’: Aparecerá en pantalla una nueva estimación en la que se incluye el esquema de corrección:
Equation Number: 7
ivf=C1*cn+C2*(ucp.iv)+C3

C1) 0.61398 9.22964 0.06652 .08064E+7
C2) 102993 4.66335 22085.68924 78.218
C3) -38904428 -4.78476 8.13090E+6 1.000

13 14
93
ANEXO 2. Datos utilizados en la estimación.
• Obtener las correlaciones entre las variables del modelo:
Esta opción puede ser interesante a la hora de identificar variables explicativas que adolezcan de SERIES: IVF SOURCE: MECH
multicolinealidad. Para ello, una vez estimado el modelo, se seleccionará, en la barra de menús, FORMACION BRUTA DE CAPITAL FIJO. PRECIOS CONSTANTES 1995.
la opción Analyze → Correlation, y se teclearán, separadas por espacios, las variables a Last Extended: 1/14/02
estudiar:
ANNUAL DATA
1980/19859.82710E+6 9.66470E+6 9.76220E+6 9.64170E+6 9.18070E+6 9.79570E+6
1986/19911.08206E+7 1.21405E+7 1.37860E+7 1.54419E+7 1.64383E+7 1.67114E+7
1992/19971.60207E+7 1.45936E+7 1.48638E+7 1.60146E+7 1.63471E+7 1.71569E+7
1998/20001.88242E+7 2.04764E+7 2.16359E+7
SERIES: CN SOURCE: MECH

GASTO EN CONSUMO FINAL NACIONAL.PRECIOS CONSTANTES 1995.
ANNUAL DATA
1980/19853.92287E+7 3.91888E+7 3.95478E+7 3.99187E+7 4.00006E+7 4.10774E+7
1986/19914.25786E+7 4.53929E+7 4.74946E+7 5.03581E+7 5.24205E+7 5.42910E+7
1992/19975.56300E+7 5.51392E+7 5.56669E+7 5.67137E+7 5.78191E+7 5.96095E+7
1998/20006.21765E+7 6.50399E+7 6.76428E+7
SERIES: UCP.IV UNITS: PORC SOURCE: MIE

UTILIZACION DE LA CAPACIDAD PRODUCTIVA. BIENES DE INVERSIÓN (Media anual)
Se obtendrá una ventana como la siguiente: ANNUAL DATA

1965/1970 84.000 85.500 78.500 81.250 85.750 86.000
1971/1976 83.000 87.750 89.000 86.750 80.500 80.250
1977/1982 82.500 80.000 78.250 75.250 78.500 82.250
1983/1988 77.250 72.250 74.750 76.500 77.550 83.225
1989/1994 83.675 83.275 77.300 74.450 69.425 73.725
1995/2000 78.225 78.550 80.425 82.100 81.925 81.975
2001 79.350
15 16
94
Elementos de Econometría la evolución de la variable. Se valorará especialmente la aportación de alguna
Trabajo
teoría sobre la evolución de dicha variable, tanto desde el punto de vista teórico
de Guía para la elaboración del Trabajo de Curso.
como desde el punto de vista de su relación con los acontecimientos
Curso
económicos recientes que sean conocidos.
• Justificación teórica de la especificación del modelo seleccionada. Es decir,

El trabajo de curso consiste en la construcción de un modelo econométrico uniecuacional, lo ¿por qué son seleccionadas las variables que entran en la especificación del
que incluirá las fases de estimación, mejora y utilización del modelo. modelo? ¿Existen otras variables que podrían ser relevantes y que no se han
utilizado en la especificación? ¿Por qué?
La variable a modelizar será seleccionada por el profesor de la asignatura, de entre las
disponibles en el Banco de Datos anual IBERAN utilizado en las prácticas de la asignatura. • Variables utilizadas (nombre de la variable, descripción de la variable, período
muestral disponible, fuente). Por ejemplo:
Se valorarán los isguientes aspectos del trabajo:
IPC Indice de precios al consumo anualizado 1986-1998 Banco IBERAN
• Coherencia del modelo desde el punto de vista teórico.

• Calidad técnica del modelo final (cumplimiento de hipótesis básicas, bondad del ajuste,
etc.)
• Destreza y adecuación en la utilización de las técnicas aprendidas en clase. 2. Presentación del Modelo Final Estimado y Contraste: En este apartado se
• Calidad y claridad en la utilización del modelo. presentará el modelo final estimado y que será utilizado posteriormente. Este
• Claridad y capacidad de síntesis en la presentación formal del informe. apartado debe contener la siguiente información:
El trabajo debe constar de las siguientes partes y elementos: • Resultados de la estimación (básicamente, la salida de ordenador donde
viene el resultado de la estimación). Por ejemplo:
0. Portada, donde debe incluirse:

EQUATION NUMBER: 1
• Nombre de la Asignatura y Curso NUMBER OF OBSERVATIONS: 38
• Nombre Clave del grupo de trabajo y componentes del mismo, con el orden de
LN(EXGS)=C1*LN(TC)+C2*LN(PEXGS)+C3*LN(DEMOCDE)+C4
apellidos y nombre, ordenados alfabéticamente.
• Variable endógena que ha sido objeto del estudio (abreviatura utilizada en el
C1) 0.27398 2.84879 .09618 4.458
Banco de Datos y descripción de la misma, por ejemplo: IPC: Índice de Precios C2) -0.13846 -1.64715 .08406 -.942
C3) 2.4985 13.67816 .18267 8.039
al consumo). C4) -6.3144 -3.45932 1.82532 1.000

STANDARD ERROR= .07809029 PERCENT ERROR= .52
1. Marco teórico. La ficha técnica no debe extenderse más de una o dos páginas y MAX LLF= 45.08943 F-STATISTIC: F( 3, 34)= 1447.1810
debe contener la siguiente información: HETROSCEDASTICITY TEST(S):
• Breve estudio sobre el comportamiento de la variable endógena a ALL PARAMETERS: F( 8, 26)= 6.8408
BREAK POINT(S): 197401 198601
modelizar. Se trata de mostrar de forma breve el comportamiento reciente de
la variable a modelizar, lo que puede acompañarse de uno o dos gráficos sobre
1 2
95
• IMPORTANTE: Caso de que por problemas de autocorrelación se haya o Diagnóstico del modelo. Rellenando el siguiente formulario se
tenido que incorporar un esquema de autocorrelación en el modelo, se verificará que no existan problemas técnicos en el modelo. Caso de
presentarán los siguientes elementos del modelo final: que sí existan, deberá decirse por qué no se han podido solucionar
esos problemas (en ‘observaciones’):
o Salida de ordenador del modelo final, ANTES de incorporar el
esquema de autocorrelación. Problema Sí/No Observaciones
o Salida de ordenador del modelo final, DESPUÉS de incorporar el ¿Existe cambio estructural?
esquema de autocorrelación (salida definitiva). ¿Existe heteroscedasticidad?
¿Existe autocorrelación?
¿Las perturbaciones se distribuyen
• Contrastación del modelo presentado en Introducción a la normalmente?
Econometría. Esta etapa debe contener fundamentalmente dos ¿Es correcta la forma funcional?
elementos: ¿Son significativas todas las variables?
o Tabla resumen de los resultados de los contrastes. Por

ejemplo:
3. Utilización de los modelos. En este apartado se incluirán dos ejercicios de
Test* Valor Valor tablas Conclusión utilización del modelo:
estadístico
Test de Significación Individual de los Parámetros del Modelo. • Ejercicio de Análisis Estructural: Interpretación ECONÓMICA de los signos de
C1) -0.92806 2.262 No significativo los parámetros que acompañan a las variables explicación. Se hará
C3) 1.93223 2.262 No significativo completando un cuadro como el siguiente:
Test de Normalidad de los Residuos. Parámetro que Signo Interpretación
Jarque-Bera 0.15780 5.99 Normalidad acompaña a la
variable...
Durbin-Watson 0.72963 0.812-1.579 Autocorrelación
Box-Pierce 4.4676 3.84 Autocorrelación LN(TC) + Un aumento en el tipo de cambio pesetas/dolar supone una
depreciación de nuestra moneda, lo que abarata nuestras
Breusch-God. 7.8896 3.84 Autocorrelación
2
(X ) exportaciones cara al exterior. Estos e traduce en un mayor
Test de Forma Funcional. atractivo de los productos españoles, lo que se traduce en un
Ramsey (X2) 3.5270 3.84 F. Func. Correcta
Tests de Heteroscedasticidad. aumento de su demanda exterior aunque, como sabemos, la
Breusch-Pagan 2.232 5.99 Homoscedasticidad otra cara de la moneda vendrá dada por un menor poder
(X2)
Arch Process (X2) 2.823 5.99 Homoscedasticidad adquisitivo de España y un encarecimiento de las
Tests de Estabilidad Estructural. importaciones, especialmente las energéticas.
Chow (All 4.0935 8.94 Estab. Estructural
Param.) LN(PEXGS) - Los precios, evidentemente, ejercen un efecto negativo sobre el
montante de los bienes y servicios exportados por España. Una
rebaja en los precios supondrá una ganancia de competitividad,
por tanto, lo que se traduce en un aumento de las
exportaciones.
3 4
96
LN(DEMOCDE) + El aumento de la demanda interna de los países de la OCDE,
principales importadores de productos españoles, lógicamente i. Si existe cambio estructural, intento de eliminación del problema.
vigoriza las ventas españolas al exterior, lo que queda ii. Si existe heteroscedasticidad, intento de eliminación de ésta.
plasmado en esta relación de signo positivo. iii. Si existe autocorrelación en las perturbaciones, intento de eliminación
o modelización de ésta.
iv. Propuesta de eliminación de otros problemas relacionados con las
hipótesis básicas: forma funcional incorrecta, normalidad en las
• Ejercicio de previsión. La previsión se realizará sobre el año posterior al último perturbaciones.
dato conocido de la variable endógena. Por ejemplo, suponiendo que el último v. Mejora de la significación estadística de las variables incluidas, mejora
dato conocido es el correspondiente a 2002, y se va a hacer una previsión de la bondad del ajuste.
sobre el año 2003, los resultados se presentarán en una tabla como la
siguiente:
El apartado debe incluir los siguientes elementos:
• Tabla resumen con las acciones que se han realizado hasta obtener el modelo
PREVISIÓN PARA 2003 Y COMPARACIÓN ENTRE MODELOS definitivo. Por ejemplo:
Modelo A (Modelo original)
Variables
Valor 2002 Valor 2003 % var. (02-03) N. Objetivo Actuación Resultado
Endógena Paso
Explicativa 1
1 Estimación Estimación del modelo: Estimación con
Explicativa 2
inicial del EXGS=f(TC,PEXGS,DEMOCDE) problemas de
Explicativa 3
modelo cambio estructural
y autocorrelación.
Además, deberá acompañarse de un cuadro donde se especifique el origen de
2 Eliminación Transformación logarítmica de Persiste el
los valores de las explicativas para el año de previsión (dato conocido,
Cambio las variables problema de
escenario basado en la hipótesis de crecimiento similar a la tasa media de
Estructural. cambio estructural
variación de los últimos X años, valor conocido del año anterior por ser una
3 Acortar período muestral a 1986- Eliminación del
variable desplazada, etc.). Por ejemplo:
1998 Cambio
Estructural
Variable explicativa Origen valor 2003
4 Autocorrelación Inclusión de un esquema AR(1) Ausencia de
Explicativa 1 Dato de 2003 conocido (en Banco de Datos).
Explicativa 2 Escenario: Aplicación al dato de 2002 de la tasa media de crecimiento de los autocorrelación en
últimos 3 años. las
Explicativa 3 Variable endógena desplazada: Dato de la endógena de 2002 (conocido). perturbaciones.
4. Historial de la Construcción del Modelo. En este apartado se registrará el • Historial Desarrollado: Se presentarán los resultados de la estimación
‘proceso’ de construcción del modelo, es decir, todas las pruebas, mejoras y pasos obtenidos en cada uno de los pasos del cuadro anterior, y los comentarios que
seguidos hasta la consecución del modelo presentado. En este sentido debe puedan servir al profesor a interpretar y valorar la trayectoria y las pruebas
advertirse que, en cuanto a la calidad técnica, deben abordarse las diversas realizadas en cada momento (es decir, por qué se hace cada cosa). Por
problemáticas teniendo en cuenta el orden de importancia siguiente: ejemplo:
5 6
97
SERIES: PEXGS DELACTOR DE LAS EXPORTACIONES DE B Y S (INCLUIDO TURISMO). B86
Paso 1. Estimación del modelo:EXGS=f(TC,PEXGS,DEMOCDE) 1960/1965 0.0813 0.0828 0.0891 0.0948 0.0969 0.0980
1966/1971 0.1068 0.1219 0.1436 0.1524 0.1565 0.1660
EQUATION NUMBER: 1
1972/1977 0.1761 0.1927 0.2359 0.2610 0.3038 0.3626
1978/1983 0.4199 0.4593 0.5425 0.6389 0.7265 0.8493
1984/1989 0.9555 1.0170 1.0000 1.0253 1.0566 1.1038
1990/1995 1.1225 1.1445 1.1803 1.2360 1.2916 1.3603
1996/1997 1.3790 1.4160
EXGS=C1*TC+C2*PEXGS+C3*DEMOCDE+C4

C1) -15273 -1.17971 12946.48019 92.026 7. Bibliografía.
C2) 5461431 2.57464 2121236.79052 .601
C3) 1350.0 1.90015 710.47850 3290.595
C4) -1284607 -.69240 1855287.95718 1.000 El trabajo se presentará en tres fases.
Fase 1 Los grupos rellenarán una ficha con un nombre clave para su grupo y
MAX LLF= -582.00636 F-STATISTIC: F( 3, 34)= 122.9024 los apellidos y nombre de sus componentes. Posteriormente, el profesor hará
público un listado en el que cada grupo tendrá asignada una variable conómica
del Banco de Datos IBERAN, que será la variable endógena a modelizar.

ALL PARAMETERS: F( 8, 26)= 45.0660 Fase 2 Los alumnos podrán elaborar su trabajo, en la parte en la que se
BREAK POINT(S): 197401 198601
requiera software econométrico, en el Aula abierta de la Facultad, así como en
las horas reservadas para Laboratorio (Prácticas) de Elementos de
Obtuvimos una estimación con problemas concernientes al cumplimiento de las
hipótesis básicas, en especial problemas de cambio estructural, por lo que Econometría, bajo la supervisión del profesor. Éste podrá, así mismo, citar a
decidimos probar, en primer lugar, con una especificación alternativa basada
los grupos en tutorías a fin de valorar y hacer un seguimiento del trabajo.
en el planteamiento del modelo en logaritmos (paso 2).
Fase 3 El trabajo deberá ser entregado al profesor en horario de tutorías antes

del día 15 de diciembre. En la entrega, el profesor revisará el trabajo y realizará
5. Autoevaluación. En no más de una página, el grupo deberá autoevaluar su trabajo cuestiones al grupo sobre los resultados. Caso de no cumplir con los mínimos
a modo de conclusión, remarcando las virtudes más destacadas de su modelo y de exigibles y con todos los apartados, el grupo deberá realizar los trabajos
su labor realizada como equipo, y reconociendo los puntos débiles de los que complementarios que el profesor les indique.
pueda adolecer su modelo.
Cuestiones más comunes:
6. Series de datos utilizadas en las estimaciones. Ejemplo: ¿Qué ocurre si no se consigue solucionar algún problema de los que adolece el modelo
inicial (por ejemplo, cambio estructural)? Se valorará más la aplicación de las técnicas
aprendidas para solventar los diversos problemas que la solución de éstos. Por ello, es
SERIES: EXGS EXPORTACION BIENES Y SERVICIOS (INCLUYE TURISMO). PTAS CTES B86 fundamental la claridad y exahustividad en el apartado de ‘Historial’, a modo de saber
1960/1965 737429 796128 897692 932166 1169695 1248767 que el alumno se ha esforzado en utilizar el abanico de herramientas técnicas
1966/1971 1442471 1375876 1629177 1885969 2225123 2541091
aprendidas.
1972/1977 2881597 3169757 3138059 3125507 3281782 3678878
1978/1983 4072518 4300579 4399492 4761387 4997191 5495076
1984/1989 6137424 6300114 6416945 6823062 7169213 7384033
1990/1995 7621504 8221078 8828275 9579586 11181770 12299900 ¿Qué incumplimientos de hipótesis básicas deben ser objeto de intento de solución del
1996/1997 13604850 15611860
*
problema? Oblogatoriamente, si existen estos problemas, deben intentar solventarse el
Cambio estructural, heteroscedasticidad y autocorrelación, por este orden.
7 8
98

Elementos Econometria Matbook PDF

Transféré par

Informations du document

Titre original

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

Elementos Econometria Matbook PDF

Transféré par

Droits d'auteur :

Formats disponibles

Elementos de Econometría.

Miguel Ángel Tarancón Morán

Revisión de las hipótesis del modelo lineal …………………………………………………………………………………………………………………………………...1

Cambio Estructural …………………………………………………………………………………………………………………………………………………………………….11

Ejemplo de tratamiento de la heteroscedasticidad en los residuos mínimo-cuadráticos: modelo de las ventas de

Modelos Univariantes de Series Temporales ………………………………………………………………………………………………………………………………….44

Diagnóstico de un modelo econométrico uniecuacional ……………………………………………………………………………………………….78

Guía del Trabajo de Curso ……………………………………………………………………………………………………………………………………………………95

Tema 1 Revisión de las hipótesis del modelo lineal.

MODELO BÁSICO DE REGRESIÓ LIEAL (MBRL) (I)

y=Xβ+u y: vector de observaciones de la variable endógena (nx1). β: vector de coeficientes (kx1).

HIPÓTESIS: EFRETAMIETO DEL MODELO CO LA MODELOS/SOLUCIOES

Tema 1 Revisión de las hipótesis del modelo lineal.

MODELO BÁSICO DE REGRESIÓ LIEAL (MBRL) (II)

y=Xβ+u y: vector de observaciones de la variable endógena (nx1). β: vector de coeficientes (kx1).

HIPÓTESIS: EFRETAMIETO DEL MODELO CO LA MODELOS/SOLUCIOES

PARAMETER T-STATISTIC STD ERROR MEAN

STRUCTURAL STABILITY TEST, BASED ON 3 SUBPERIODS:

En el contraste t de significación individual de los parámetros se puede observar como,

HETROSCEDASTICITY TEST(S): PARAMETER T-STATISTIC STD ERROR MEAN

STRUCTURAL STABILITY TEST, BASED ON 2 SUBPERIODS:

Structural Stability Test, Based On 3 Subperiods

SERIES: ASALIND UNITS: MILE SOURCE: INE/DGPC

SERIES: VAIND UNITS: MILL SOURCE: INSTITUT

SERIES: PVAIND SOURCE: E.P.

SERIES: PVACST SOURCE: E.P.

Ventas del producto ACME

estimación mínimo-cuadrática: ln(y(t)/y(t-1)=0,285985697-0,002907958*y(t-1)+ û(t)

Representación serie real (1) y serie estimada (2)

Esta variabilidad es bastante amplia, e incluso en la mayoría de los casos se produce un

PIB86 EXP86 M2 GP86 PRIMP

Cuadro 3: COEFICIE TES DE DETERMI ACIÓ E REGRESIO ES E LAS QUE

Término Exp86 GP96 PrImp R2

• Si se sospecha que el Cambio Estructural viene motivado por la omisión de

• Si se sospecha que el Cambio Estructural viene motivado por la elección de

• El estudio de los gráficos de las series de la endógena real y estimada, así

• A veces, tanto si el procedimiento anterior no es posible por falta de datos

En el siguiente estimación se presentará la estimación correspondiente a la

Parameter T-Statistic Std Error Mean

Parameter T-Statistic Std Error Mean

Variance= 0.000250 Dependent Mean= 3.809

Residuals Properties Tests:

Functional Form Test(s):

Structural Stability Test, Based On 3 Subperiods

Test Valor estadístico Valor tablas Conclusión

Test de Significación Individual de los Parámetros del Modelo.

Parameter T-Statistic Std Error Mean

Variance= 0.129101 Dependent Mean= 138.196

Functional Form Test(s):

Structural Stability Test, Based On 3 Subperiods

Utilización de variables ficticias (dicotómicas).

SERIES: PVAIND UNITS: IND SOURCE: E.P.

SERIES: PVASER UNITS: IND SOURCE: E.P.

MARTÍNEZ AGUADO et al. (1999) Proyecto ECONOMETRIST. D11: ANNUAL DATA

En la primera especificación se han incluido como variables explicativas dos variables

Parameter T-Statistic Std Error Mean

Variance= 2685.948433 Dependent Mean= 864.892

Planteamiento de una forma funcional alternativa. Explicación del cambio estructural.

Structural Stability Test, Based On 3 Subperiods

Structural Stability Test, Based On 3 Subperiods Functional Form Test(s):

Parameter T-Statistic Std Error Mean

Variance= 2268.497674 Dependent Mean= 864.892

SERIES: ASALCST UNITS: MILE SOURCE: INE/DGPC

MODELO BÁSICO DE REGRESIÓ LIEAL (MBRL) (I)

HIPÓTESIS: EFRETAMIETO DEL MODELO CO LA MODELOS/SOLUCIOES

MODELO BÁSICO DE REGRESIÓ LIEAL (MBRL) (II)

HIPÓTESIS: EFRETAMIETO DEL MODELO CO LA MODELOS/SOLUCIOES

LN(EXGS)=C1LN(TC)+C2LN(PEXGS)+C3*LN(DEMOCDE)+C4 EQUATION NUMBER: 3

La representación gráfica de la variable endógena muestra distintos patrones de FBKF=C1(CP(-1))+C2UCP+C3

EPSERt = C6 + C1(WAGE_EP/PVASER)t + C2(VASER/1000)t + C3*EPSERt-1 +

ASALAG2002 = 0,0006521068 –0,97533100,48 +477,64 +