Profesor: Viviana Fernández

TUTORIAL DE E-VIEWS

1. COMANDOS BÁSICOS

• El primer paso es crear un área de trabajo (WORKFILE) o abrir un archivo que se ha guardado
anteriormente. Al guardar ese archivo (FILE - SAVE AS “nombre”) se almacenan las series con
las que se está trabajando y todos los objetos que se hayan creado (ecuaciones, gráficos, tablas,
etc.) a los que se les haya dado un nombre (NAME).
• FILE – NEW - WORKFILE o escribir comando “create”. Ofrece opciones:
- (U): No fechado
- (A): Anual
- (Q): Trimestral
- (M): Mensual
- (D): Diario
- La elección dependerá de la periodicidad con la que vamos a trabajar.
- Además hay que establecer el rango máximo de tiempo en que podemos movernos, por
ejemplo 1929 1970
- Siempre es posible extender el rango (EXPAND 1929 1972)
- Si queremos trabajar con una muestra menor debemos escribir “smpl 1959 1965”. Esto
establece el período de estimación. Aun cuando el rango en que nos moveremos es 1929-
1970, el período de estimación será 1959-1965.
• GUARDAR el Archivo
- SAVE “nombre del archivo”

2. OPERACIONES CON LOS DATOS

• Ingresar los datos

Existen tres formas:

i. Digitarlos uno por uno: se usa el comando DATA

Por ejemplo, se pone DATA Y (Y representa al PIB) y se digitan los datos correspondientes.

ii. Importarlos desde una planilla electrónica

- Si se tienen series en Excel, ponemos en la primera fila de esta planilla los nombres que tendrán
las series en E-Views (por ejemplo Y, CP, etc.). Se GUARDA el archivo con extensión de hoja para
Excel 4.0, con el fin de que sólo tenga una hoja en el archivo. Se debe recordar el número de series
que queremos trasladar y la ubicación de la celda en que comienzan los datos (ej. B2). Se cierra el
archivo.
- En E-Views se utiliza la opción FILE – IMPORT - READ TEXT – LOTUS - EXCEL, y se indica
el nombre del archivo Excel, la ubicación del primer dato en la planilla y la cantidad de series a
importar.

iii. Copiar de Excel y pegar en E-Views

Profesor: Viviana Fernández 2

- Se usa el menú QUICK - EMPTY GROUP en E-Views

- Se copia en Excel y se pega en ese grupo vacío en E-Views. Luego se cierra el grupo. No es
necesario guardarlo como grupo.

• Para VER LAS SERIES:

- SHOW si se quieren ver los datos en el monitor. Por ejemplo, SHOW Y
- PLOT si se quiere ver un Gráfico

• IMPRIMIR LAS SERIES:

- PRINT. Por ejemplo, Print Y CP

• GENERAR una función de la variable original (por ejemplo, logaritmo natural, etc.)
- GENR LY = LOG(Y)
Otras funciones: EXP (exponente)
ABS (valor absoluto)

• BORRAR una serie:

- DELETE “nombre de la serie”

• Para formar un grupo de series

Se forma un grupo marcando las series con el mouse manteniendo presionada la tecla control y
haciendo doble click con el mouse. Luego de formado el grupo, el menú VIEWS, nos permite
ver diferentes caras de las mismas series:
Gráficos. Se cambian las opciones del gráfico haciendo doble click sobre el gráfico.
Covarianzas.
Estadísticas descriptivas. Ejemplo:

Sample: 1929 1970

CP PIB
Mean 1498.357 1651.762
Median 1480.000 1651.500
Maximum 2323.000 2579.000
Minimum 897.0000 893.0000
Std. Dev. 403.8455 452.4153
Skewness 0.405690 0.218354
Kurtosis 2.224518 2.375168

Jarque-Bera 2.204494 1.016974

Probability 0.332124 0.601405

Observations 42 42
Profesor: Viviana Fernández 3

3. ECONOMETRÍA BÁSICA

- Estimar una regresión MCO (se usa LS)

- Por ejemplo LS CP C Y
- Estamos estimando una regresion que tiene como variable dependiente a CP (consumo
privado) y como variable explicativas C (constante) e Y (ingreso).
- Otra forma es formar un Grupo de series y luego pedir que con ellas haga una ecuación.

Dependent Variable: CP
Method: Least Squares
Sample: 1929 1970
Included observations: 42

Variable Coefficient Std. Error t-Statistic Prob.

C 55.52999 49.73894 1.116429 0.2709

PIB 0.873508 0.029067 30.05142 0.0000

R-squared 0.957586 Mean dependent var 1498.357

Adjusted R-squared 0.956526 S.D. dependent var 403.8455
S.E. of regression 84.20367 Akaike info criterion 11.75080
Sum squared resid 283610.3 Schwarz criterion 11.83355
Log likelihood -244.7668 F-statistic 903.0881
Durbin-Watson stat 0.726929 Prob(F-statistic) 0.000000

EXPLICACIÓN BÁSICA DE LA SALIDA

COEFFICIENT: Valores estimados para los β.

STD-ERROR: Valor estimado para la desviación estándar de β (raíz cuadrada de la varianza de β).

T-STAT: Valor del estadístico t que se obtiene al contrastar la siguiente hipótesis:

H0: βi = 0

(Es decir, es el cociente entre el valor del COEFICIENTE y su STD-ERROR).

PROBABILITY: Es el nivel de significancia exacta que calcula el computador para el valor

correspondiente al estadígrafo t. Es decir, es el valor de α (nivel de significación) asociado al t
hallado. Dado que, generalmente, trabajamos con un α = 5%, una probabilidad menor a 0.05
implica que estamos aceptando que el parámetro es significativamente distinto de cero.

R-squared: R2
n −1
Adjusted R-squared: R2 corregido por grados de libertad e igual a R 2 = 1 − (1 − R 2 )
n−k

S.E. of regression: raíz cuadrada del valor estimado para σ2

Profesor: Viviana Fernández 4

Durbin-Watson Stat: estadístico que testea la existencia de autocorrelación.

F-statistic: Valor del estadístico F que se obtiene al testear la siguiente hipótesis:

H0: β2 = β3 = ......... = βk = 0

En este ejemplo, se observa que los coeficientes son significativamente distintos de cero, individual
y conjuntamente. La evolución del PIB logra explicar el 97.7% de la variabilidad del consumo
privado.

El estadígrafo de Durbin-Watson (D-W) indica la presencia de autocorrelación en los errores.

(VIEW - ACTUAL, FITTED, RESIDUAL - GRAPH)

2500

2000

1500

1000
100
500
0

-100

-200

-300
30 35 40 45 50 55 60 65 70

Residual Actual Fitted

Una forma de solucionar este problema de autocorrelación es incluir nuevas variables que pueden
estar omitidas de la regresión. En el caso del consumo, bajo la teoría del ingreso permanente, es
razonable pensar que el consumo del período anterior influya en la cantidad consumida en el
período actual.

En este caso lo haremos con las variables en logaritmos para obtener elasticidades.

LCPt = β1 + β2 LPIB + β3 LCPt-1 + ut

Esto se escribe:

LS LOG(CP) C LOG(PIB) LOG(CP(-1))

Profesor: Viviana Fernández 5

Dependent Variable: LOG(CP)

Method: Least Squares
Sample(adjusted): 1930 1970
Included observations: 41 after adjusting endpoints

Variable Coefficient Std. Error t-Statistic Prob.

C -0.079590 0.140791 -0.565305 0.5752

LOG(PIB) 0.270466 0.062900 4.299921 0.0001
LOG(CP(-1)) 0.738686 0.068383 10.80221 0.0000

R-squared 0.986700 Mean dependent var 7.282377

Adjusted R-squared 0.986000 S.D. dependent var 0.271050
S.E. of regression 0.032071 Akaike info criterion -3.971345
Sum squared resid 0.039086 Schwarz criterion -3.845961
Log likelihood 84.41256 F-statistic 1409.540
Durbin-Watson stat 1.107833 Prob(F-statistic) 0.000000

Sería necesario chequear el valor de D-W y/o realizar otros tests para asegurarnos de que el
problema está solucionado.

ELASTICIDAD

Sabemos que cuando las variables están en logaritmos, el coeficiente de la pendiente nos
indica la elasticidad de la variable dependiente respecto de la explicativa. Cuando tenemos una
estructura de ajuste parcial (es decir, tenemos una variable dependiente rezagada, como en este
caso), podemos calcular una elasticidad de corto y una de largo plazo. La elasticidad ingreso de
corto plazo del consumo privado es el coeficiente de la variable ingreso (0.270), pero la elasticidad
de largo plazo se calcula suponiendo que en el largo plazo CP=CP(1), por lo que agrupando
términos:

CP – 0.739CP = –0.080 + 0.27 LPIB

CP (1–0.739) = –0.080 + 0.27 LPIB

y la elasticidad del consumo respecto al PIB, sería de 0.27/(1–0.739) = 1.03

4. ALGUNOS TESTS IMPORTANTES

• Restricciones a los parámetros

Luego de correr la regresión, si se pone VIEW-REPRESENTATION se recupera la forma de la

ecuación que se está estimando:

Por ejemplo, si habíamos estimado:

LS LCP C LY

Al aplicar VIEW-REPRESENTATION tendremos lo siguiente:

Profesor: Viviana Fernández 6

LCP = C(1) + C(2)*LY

donde C(1) y C(2) representan los coeficientes a estimar.

Luego, la restricción se impone sustituyendo C(1) o C(2) por el valor predeterminado que se desea
y se vuelve a correr la regresión.

Ejemplo: si queremos restringir C(2) a que valga 1 se corre la siguiente regresión:

LS CP = C(1) + 1*PIB

Y se obtendrá la salida habitual. A partir de los valores de la SCR o del R2 de la regresión libre y de
la restringida, se podrá testear si la hipótesis es aceptada o rechazada.

• Test sobre los residuos

Para validar una regresión se deben realizar tests sobre el comportamiento de los residuos.
- Normalidad
- Estabilidad
- Autocorrelación
- Heterocedasticidad

• Test de normalidad

Luego de realizar la regresión, se utiliza VIEW-RESIDUAL TEST-HISTOGRAM, NORMALITY

TEST.

12
Series: Residuals
Sample 1930 1970
10
Observations 41

8 Mean 1.07e-16
Median 0.000678
6 Maximum 0.064823
Minimum -0.086768
Std. Dev. 0.031259
4 Skewness -0.566705
Kurtosis 3.595351
2
Jarque-Bera 2.800058
Probability 0.246590
0
-0.05 0.00 0.05

El gráfico muestra la distribución de frecuencia del residuo. Bajo la hipótesis nula de

normalidad, el estadístico de Jarque-Bera se distribuye chi-cuadrado con dos grados de libertad. En
este caso, el valor p del estadístico calculado es 0.25, por lo cual no rechazamos el supuesto de
normalidad.
Profesor: Viviana Fernández 7

• Test de estabilidad

Recientemente se ha generalizado el uso de los tests CUSUM y CUSUM CUADRADO para

verificar la estabilidad del modelo, es decir, para comprobar la existencia o no de cambio
estructural.

Estos tests se basan en los denominados residuos recursivos. El residuo recursivo

correspondiente al período i es el error de predicción de la variable dependiente, cuando se utilizan
los estimadores MCO calculados con la muestra hasta el período i-1.

El CUSUM es simplemente la suma acumulada de dichos residuos normalizados, es cada uno

de ellos dividido por su desvío estándar.

El CUSUM CUADRADO es la suma acumulada de los cuadrados de los residuos normalizados.

1.6 20

1.2
10

0.8
0
0.4

-10
0.0

-0.4 -20
35 40 45 50 55 60 65 70 35 40 45 50 55 60 65 70

CUSUM of Squares 5% Significance CUSUM 5% Significance

Las bandas representan los valores críticos para un nivel de significancia de 5%. Es decir, si
los estadísticos se mantienen dentro de las bandas no se rechaza la hipótesis nula (ausencia de
cambio estructural).

Ambos tests deben ser complementados con un análisis de la estabilidad individual de los
parámetros. Los gráficos siguientes muestran la evolución de cada parámetro (y su desviación
estándar) a partir de la estimación recursiva para cada observación adicional.

1. 5 0. 8 1. 4

1. 0 1. 2
0. 6
1. 0
0. 5
0. 4
0. 8
0. 0
0. 2 0. 6
-0. 5
0. 4
0. 0
-1. 0 0. 2

-1. 5 -0. 2 0. 0
40 45 50 55 60 65 70 40 45 50 55 60 65 70 40 45 50 55 60 65 70

Recursive C(1) Est m

i at es ± 2 S. E. Recursive C(2) Est m
i at es ± 2 S. E. Recursive C(3) Est m
i at es ± 2 S. E.

Para aceptar que los parámetros son estables se exigen las siguientes condiciones:
Profesor: Viviana Fernández 8

a) Que el último valor estimado para el parámetro (el que utilizaríamos para predecir) se encuentre
al interior de toda la banda.
b) Que la evolución de los valores estimados del parámetro y su desviación estándar no presente
una tendencia definida en el tiempo. Por ejemplo, según este criterio, un síntoma de
inestabilidad del parámetro viene dado por la existencia de una tendencia sistemática
decreciente o creciente en su valor estimado.
c) Que la desviación estándar del parámetro estimado se reduzca a lo largo del tiempo, lo que
significa que las bandas se van estrechando.

• Test de autocorrelación

VIEW - RESIDUAL TEST - SERIAL CORRELATION LM TEST

Permite verificar la existencia de autocorrelación. Es necesario introducir el orden de

autocorrelación a testear. Por ejemplo, para un proceso de autocorrelación de segundo orden, se
introduce 2 y se tiene la siguiente salida:

• En el primer bloque se reporta el estadístico nR2 (obs*R-squared), que se distribuye chi-

cuadrado con tantos grados de libertad como orden de autocorrelación se desee testear. En
este caso, rechazamos la hipótesis nula (ausencia de autocorrelación) al 5% de significancia,
pero no al 1% (valor p=0.026).

• En el segundo bloque se reporta la regresión que permite realizar el test, donde el residuo de
la regresión original se explica por las variables explicativas del modelo y los residuos
rezagados.

Breusch-Godfrey Serial Correlation LM Test:

F-statistic 3.887876 Probability 0.029596

Obs*R-squared 7.282704 Probability 0.026217

Test Equation:
Dependent Variable: RESID
Method: Least Squares
Variable Coefficient Std. Error t-Statistic Prob.

C 0.048534 0.133974 0.362266 0.7193

LOG(PIB) 0.033511 0.060008 0.558443 0.5800
LOG(CP(-1)) -0.040725 0.065813 -0.618809 0.5399
RESID(-1) 0.461810 0.168700 2.737453 0.0096
RESID(-2) -0.088610 0.166840 -0.531106 0.5986

R-squared 0.177627 Mean dependent var 1.07E-16

Adjusted R-squared 0.086252 S.D. dependent var 0.031259
S.E. of regression 0.029881 Akaike info criterion -4.069345
Sum squared resid 0.032143 Schwarz criterion -3.860373
Log likelihood 88.42157 F-statistic 1.943938
Durbin-Watson stat 1.882671 Prob(F-statistic) 0.124225
Profesor: Viviana Fernández 9

• Test de heterocedasticidad1

VIEW-RESIDUAL TEST-WHITE HETEROSEDASTICITY TEST.

La salida se interpreta en forma análoga:

White Heteroskedasticity Test:

F-statistic 4.266630 Probability 0.003911
Obs*R-squared 15.52655 Probability 0.008334

Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Sample: 1930 1970
Included observations: 41

Variable Coefficient Std. Error t-Statistic Prob.

C 0.130489 0.183198 0.712283 0.4810
LOG(PIB) 0.054212 0.206373 0.262688 0.7943
(LOG(PIB))^2 0.038528 0.024048 1.602148 0.1181
LOG(CP(-1)) -0.085239 0.068934 -1.236533 0.2245
(LOG(CP(-1)))^2 -0.088641 0.235959 -0.375664 0.7094

R-squared 0.378696 Mean dependent var 0.000953

Adjusted R-squared 0.289939 S.D. dependent var 0.001555
S.E. of regression 0.001310 Akaike info criterion -10.30278
Sum squared resid 6.01E-05 Schwarz criterion -10.05201
Log likelihood 217.2070 F-statistic 4.266630
Durbin-Watson stat 2.405491 Prob(F-statistic) 0.003911

5. PREDICCIÓN

Una vez que contamos con una ecuación bien comportada (es decir, que es teóricamente
plausible y que cumple con los supuestos del modelo de regresión), puede interesarnos realizar una
predicción. Si contamos con una proyección el PIB a futuro, podemos utilizar el botón FORECAST
de la salida de E-Views para pronosticar el consumo.

Donde dice forecast name se escribe el nombre de la serie que se desea predecir, y se elige si la
predicción es estática o dinámica. Estas dos formas coinciden cuando no tenemos variable
dependiente rezagada.

En la predicción estática, a la variable dependiente rezagada se le asigna el valor verdadero del

período anterior. En la predicción dinámica, se le asigna el valor que proyecta la ecuación para el
período anterior. Esa es la razón por la que en el gráfico que sigue la predicción estática parece más
ajustada a la serie histórica de consumo. (Se ocupó como valor de la variable CP(–1) el verdadero
∧
valor de la variable CP, mientras la dinámica ocupa CP ):

1
Este test es apropiado para series de corte transversal. Lo reportamos aquí sólo para efectos ilustrativos.
Profesor: Viviana Fernández 10

2400

2000

1600

1200

800
30 35 40 45 50 55 60 65 70

CP CPDIN CPEST