ARIMA

ARIMA
1. Mencione y explique los pasos de la metodología de Box Jenkins.

1.1 identificación del modelo:
es decir, encontrar los valores apropiados de p, d y q, veremos la forma de
correlación y el correlograma parcial.
2.1 estimación: los modelos autorregresivos en principio no son estimados por

mínimos cuadrados ordinarios dado que no cumplen con la condición de rezagos exógenos,
es decir, que E(x´u)=0, puesto que las variables en el lado derecho de este modelos son
estocásticas (rezagos de la variable dependiente). Sin embargo los residuos son
aproximadamente ruido blanco y la muestra es grande y se puede estimar MCO siendo los
estimadores consistentes a los valores iniciales, particularmente cuando la función de
maximizar es multimodal.
5.3 evaluacion y diagnóstico del modelo.
Un modelo ARMA(p, q) para que se útil como medio para realizar predicciones de corto
plazo debe presentar un conjunto de propiedades estadísticas deseables como las
siguientes.
Residuos ruido blanco. Para ello se puede realizar un prueba global como el estadístico
Q de Ljung-Box, donde la hipótesis a contratarse es: 𝐻0 : 𝜌1 = 𝜌2 = ⋯ = 𝜌𝑚 = 0 versus la
alternativa de que algunos de estos coeficientes es diferente de 0. Es estadísticos esta dado
𝜌̂2
por Q = n(n+2)∑𝑚
𝑘=1 𝑛−5 cuya distribución es una chi-cuadrada con m-p grados de liberdad.
𝑘
También es útil examinar los residuos del modelo que deberían presentar un
componente aleatorio. Además, permite apreciar la presencia de residuos atípicos. Es decir
aquellos errores que superan de manera significante a la desviación estándar del modelo.
Se deben someter a prueba empírica mediante el test de jarque- bera.
𝑛 − 𝑘 2 (𝐾 − 3)2
𝐽𝐵 = (𝐴 + )
6 4
Significancia estadística de los términos AR y MA: se debe contrastar la significancia

estadística de los términos AR y MA. Para ellos se utiliza para prueba z que es equivalente
el test t. en el caso de los términos AR contrastamos la hipótesis de que 𝐻0 : ∅𝑖 =
0 𝑣𝑒𝑟𝑠𝑢𝑠 𝐻𝑎 : ∅𝑖 ≠ 0.
Parámetros redundantes: para ello examinamos la matriz de correlaciones de los
coeficientes de los términos AR y MA, a partir de la siguiente expresión:
𝑐𝑜𝑣(∅𝑖 , ∅𝑖 )
𝑅(∅𝑖 , 𝜃𝑗 ) = ∀𝑖 ≠ 𝑗
[𝑣𝑎𝑟(∅𝑖 )𝑣𝑎𝑟(∅𝑖 )]
Si algunos coeficientes de correlación presenta valores superiores a 0.60 podría

deberse a la presencia de parámetros redundantes, en cuyo caso podría estimarse un
modelo (p-1,q-1)sin que haya perdida de información.
5.4 predicción
Una vez que el modelo estimado cuenta con las propiedades deseables esta en
condiciones para ser utilizado para la predicción. Si la serie pronosticarse es estacionaria
por lo que se tuvo que transformar.
Un criterio para realizar predicción es utilizar aquella que tiene el mínimo erro
cuadrático medio
2. ¿Cómo se comportan las funciones de autocorrelación y autocorrelación parcial cuando

se presenta estacionalidad autorregresiva y medias móviles estacionales?
función de correlación simple (FAS): los coeficientes de autocorrelación
poblacional están dados por la siguiente expresión, donde K=0, 𝜌0 = 1.
𝑐𝑜𝑣(𝑦𝑡 , 𝑦𝑡−𝑘 ) 𝑐𝑜𝑣(𝑦𝑡 , 𝑦𝑡−𝑘 )
𝜌𝑘 = =
[𝑣𝑎𝑟(𝑦𝑡 )𝑣𝑎𝑟(𝑦𝑡−𝑘 )]^0.5 𝑣𝑎𝑟(𝑦𝑡 )
Bajo un supuesto de proceso estacionario
Por otra parte, dado que en la práctica únicamente disponemos de una muestra
(realización del proceso estacionario) no es posible contar con coeficientes de
autocorrelacion poblacional, sino solamente contamos con su muestra es decir.
∑𝑛−𝑘
𝑡=1 (𝑦𝑡 − 𝑦
̂)(𝑦𝑡−𝑘 − 𝑦̂)
𝜌
̂𝑘 =
∑𝑛𝑡=1(𝑦𝑡 − 𝑦̂)2
Cuyos valores esta acotados en el rango [0.1] y está exento de unidad de medida
Los coeficientes de autocorrelacion de los procesos autocorregresivos se
caracterizan por presentar un decrecimiento tipo geométrico o sinusoidal,
mientras que para los modelos de medio móvil se cortan a partir del rezago q, es
decir. 𝑝
̂𝑘 = 0 ∀𝑘 > 𝑞.
Función de autocorrelaccion parcial: mide el grado de correlación del proceso en
un o periodo t consigo mismo pero en otro periodo, digamos t-k, descontando el
efecto de rezagos intermedios sobre el mismo.
3. ¿Cómo se modela la estacionalidad determinística y la estacionalidad estocástica en un

modelo de series temporales?
Estacionalidad determinística: Implica que no hay incertidumbre alguna sobre la evolución
futura de la tendencia. Se utilizan variables dummy estacionales
Estacionalidad estocástica: No hay certidumbre a futuro
Sea Xt =Tt +Wt T es la tendencia y W un componente estocástico (incierto). W refleja las
desviaciones con respecto a la tendencia ,El comportamiento estocástico de X proviene de
W,
Si suponemos una representación de la tendencia a través de un polinomio de primer orden,
se tendría: Tt=a+bt a y b son fijos X t = a+bt+W t W t tiene esperanza cero (supuesto) E(X t
)= a +bt t es el tiempo y varía
4. Defina:
a) Error Cuadrático Medio:rx
b) Raíz del Error Cuadrático Medio c) Error Medio Absoluto y d) Coeficiente de Theil.
Compárelos como criterios de calidad de pronóstico.
5. ¿En qué consiste el método de validación cruzada?
MODELOS VAR Y SVAR
6. ¿Cuáles son las diferencias entre exogeneidad en sentido fuerte y débil?

Exogeneidad débil: sirven para inferencia de modelos y estos modelos se utiliza para
elasticidades, impactos marginales, multiplicadores y etc. tiene la característica de tener
variables exogeneidad débil.
Supongamos
𝑥𝑡 = (𝑦𝑡 , 𝑧𝑡 )
𝜔 = (𝜏1 , 𝜏2 )
Ahora función de distribución conjunta par 𝑥𝑡
𝐷(𝑥𝑡 |𝑥0 , 𝜔) = 𝐷(𝑦𝑡 |𝑧𝑡 , 𝑥𝑡−1 , 𝜏1 ) ∗ 𝐷(𝑧𝑡 |𝑥𝑡−1 , 𝜏2 )
Conjunta condicional marginal
Queremos saber si 𝑧𝑡 es débilmente exógena para los parámetros de interés 𝜏1 Debe cumplir
2 condiciones;
1) cuando cambian los parámetros de la función marginal 𝜏2 no debe afectar 𝜏1 es

decir deber ser 𝜏1 indenpendiente 𝜏2
2) los parámetros de interés son función únicamente de los pa

rámetros de la distribución condicional
𝜔 = ∫(𝜏1 )
Exogeneidad fuerte:
Has 3 condiciones
a) 𝑧𝑡 debe ser exogeneidad en sentido débil para los parámetros de interés 𝜔
b) La 𝑦𝑡 𝑛𝑜 𝑑𝑒𝑏𝑒 𝑐𝑢𝑎𝑙𝑖𝑑𝑎𝑑 𝑒𝑛 𝑠𝑒𝑛𝑡𝑖𝑑𝑜 𝑑𝑒 𝑔𝑟𝑒𝑛𝑔𝑒𝑟 𝑧𝑡 no hay causalidad
𝐷(𝑧𝑡 |𝑥𝑡−1 , 𝜔) = 𝐷(𝑧𝑡 |𝑧𝑡−1 , 𝜏0 , 𝜏1 )
Si te modelo cumple las condiciones puedes utilizarse para pronostico
7. ¿Cuáles son las diferencias de un modelo VAR en su forma reducida y en su forma

estructural? En este contexto ¿qué entendemos por el problema de identificación?
Existe retroalimentación en el modelo VAR estructural (SVAR) debido a las variables
exógenas contemporáneas del modelo.
Supuestos del modelo SVAR
𝑦𝑡 ~𝐼(0), 𝑥𝑡 ~𝐼(0)
𝑢𝑦𝑡 ~𝑖𝑖𝑑(0, 𝜎𝑦2 ) 𝑟𝑢𝑖𝑑𝑜 𝑏𝑙𝑎𝑛𝑐𝑜
𝑢𝑥𝑡 ~𝑖𝑖𝑑(0, 𝜎𝑥2 ) 𝑟𝑢𝑖𝑑𝑜 𝑏𝑙𝑎𝑛𝑐𝑜
𝐸(𝑢𝑦𝑡 , 𝑢𝑥𝑡 ) = 0
Y no se puede estimar por MCO
Pero en el modelo VAR en su forma reducida
Propiedades estadísticas
𝑧𝑡 = 𝐴0 + 𝐴1 𝑧𝑡−1 + 𝑒𝑡
Para 𝑒𝑡 ~𝑖𝑖𝑑(0, 𝜎𝑦2 ) 𝑟𝑢𝑖𝑑𝑜 𝑏𝑙𝑎𝑛𝑐𝑜
Su media 𝑒𝑡
𝐸(𝑒𝑦𝑡 ) = 0, (𝑒𝑥𝑡 ) = 0
2 2
𝜎𝑦2 + 𝛽12 𝜎𝑥
𝑣𝑎𝑟(𝑒𝑦𝑡 ) = 𝑒𝑠 𝑢𝑛 𝑐𝑜𝑠𝑡𝑎𝑛𝑡𝑒
(1 − 𝛽12 𝛽21 )2
Autocovarianza
𝐸(𝑒𝑦𝑡 , 𝑒𝑦𝑡−1 ) = 0
Autocorrelacion .
−𝛽21 𝜎𝑦2 − 𝛽12 𝜎𝑥2
𝐸(𝑒𝑦𝑡 , 𝑒𝑥𝑡 ) = ≠0
(1 − 𝛽12 𝛽21 )2
Los modelos VAR en su forma reducida están parametrizados porque hay rezagos no
significativos.
¿qué entendemos por el problema de identificación?
A este proceso de recuperación de parámetros se le conoce como identificación del modelo

VAR. Si se examina la relación que existe entre un modelo VAR y el modelo estructural del
cual procede, se aprecia que el problema de identificación se reduce a obtener las
innovaciones estructurales a partir de los residuos del modelo VAR. Por tanto, identificación
el modelo es encontrar valores numéricos para los elementos de la matriz B que definen la
transformación: 𝑒𝑡 = 𝛽𝑢𝑡 : Esta matriz tiene unos en la diagonal principal, pero no es
simétrica, por lo que tiene k^2-k parámetros por determinar. Además, debemos encontrar
las k varianzas de las innovaciones estructurales "t; es habitual suponer que sus covarianzas
son nulas. As, tenemos k^2-k +k = k^2 parámetros del modelo estructural, que queramos
recuperar a partir de los k^2 + k=2 elementos de Var(ut): Necesitamos, por tanto,k2 k=2 =
k(k1)=2 restricciones, si queremos tener alguna posibilidad de identificar el modelo.
8. Explique brevemente qué es la Función Impulso Respuesta.

Las funciones de respuesta al impulso miden la reacción de cada una de las variables a
un shock en una de las innovaciones estructurales. En un sistema de interrelaciones,
todas las variables reaccionaran a dicho shock; además, tratándose de un modelo
dinámico, puede haber reacciones contemporáneas pero también en todo los periodos
siguientes.
Las funciones de respuesta al impulso generan una gran cantidad de números, pues se
calcula el impacto que, en cada instante futuro tendrá, sobre cada variable del modelo,
un impulso es una determinada innovación y ello puede repetirse para las innovaciones
de cada uno de los ecuaciones
9. ¿En qué consiste la descomposición de Cholesky?
Para eliminar la correlación contemporánea existente entre las innovaciones ut de
distintas ecuaciones, podemos transformar el vector ut en un vector et mediante la
transformación definida por la descomposición de Cholesky de la matriz de covarianzas
∑, ∑ = 𝑉𝑎𝑟(𝑢) Esta descomposición nos proporciona una matriz triangular inferior G tal
que GG´=∑, como consecuencia 𝐺 −1 ∑ 𝐺 −1 = 𝐼
MODELOS DE CORRECCIÓN DE ERRORES
10. Relacione los conceptos de cointegración y regresión espuria.

La cointegracion es un relación de equilibrio de largo plazo entre variables, también es,
la relación estrecha en una variable 𝑥~𝐼(1) de variables no estacionarias.
Los elementos del vector 𝑥𝑡 = (𝑥1𝑡 , 𝑥2𝑡 , … , 𝑥𝑛𝑡 ) esta conintegrados de orden “d”y”b”y
denotamos como 𝑥~𝐼(𝑑 − 𝑏)
a) 𝑥𝑖𝑡 si están integradas (tiene rais unitaria)
b) 𝑒𝑥𝑖𝑠𝑡𝑒 𝑢𝑛 𝑣𝑒𝑐𝑡𝑜𝑟 𝛽 = (𝛽1 , 𝛽2 , 𝛽3 , … , 𝛽𝑛 )/(𝛽1 𝑥𝑡 + 𝛽2 𝑥𝑡 + 𝛽3 𝑥𝑡 + ⋯ +
𝛽𝑛 𝑥𝑛−1 )~𝐼(𝑑 − 𝑏)
Regresión espuria: se presenta cuando se especifica mal el modelo y tratamos de jusgar

la significancia de los parámetros estimados con la pruebas tradicionales del modelo
lineal clásico cuando estas no son válidas. Cuando en un regresión con variables no
estacionarias sea imposible estimar los coeficientes de manera que el error sea
estacionario.
11. ¿Qué se entiendo por Causalidad en sentido de Granger?

La casualidad de acuerdo con la ley o leyes tiene atractivo intuitivo, pero es una
definición poco útil en economía mientras no tengamos una teoría desarrollada.
Granger (1969) ofrece esta definición mucho más operacional aunque menos filosófica.
Comenzamos afirmando que le futuro no puede causar el pasado. Se dice que una
variable z causa x en sentido de grenger (ayuda a predecir x ) en presencia del pasado
x, ele pasado de z ayuda explicar a x
12. Mencione las diferencias entre el modelo de Vectores Autoregresivos (VAR) y el modelo
de Corrección de Errores (VEC).
El modelo VEC es un modelo cuasi- VAR por la incorporación de variables integradas y
cointegradas y que presenta matrices de coeficiente de variable de ajuste y la matriz de
vectores de cointegración
13. Mencione los pasos que se siguen en el test de cointegración de Engle y Granger.
Paso 1) analizamos la variable de interés (test de rais unitaria)
a) Si todo las variables son I(0) no existe cointegracion se realiza economía
tradicional
b) Toda las variables presenta rais unitaria I(1)= existe posibilidad de
cointegracion.
c) La mezcla de variables I(1) con I(2) puede existir multicointegracion.
Paso 2) variable de rais unitaria conintegrada (regresión de largo plazo)
Relación estática= contemporáneas su dinámico
a) Se puede realizar pruebas estadísticas (t,f,x^2)
b) R cuadrado no tiente interpretación visual
c) Solo los signos y magnitudes del coeficientes estimados tiene utilidad
práctica según la teoría económica.
d) MCO es súper consistentes
Paso 3) test ADF a los residuos de largo plazo sin constante con los valores críticos
makinum
𝐻0 : 𝜑 = 0 ∄𝑐𝑜𝑖𝑛𝑡𝑒𝑔𝑟𝑎𝑐𝑖ó𝑛
𝐻𝑎 : 𝜑 ≠ 0 ∃𝑐𝑜𝑖𝑛𝑡𝑒𝑔𝑟𝑎𝑐𝑖ó𝑛
14. ¿En qué consiste el término de corrección de errores? y ¿Qué nos dicen los coeficientes
de velocidad de ajuste de un MCE?
El termino de corrección de errores muestra la relación de equilibrio de largo plazo de
variables contemporáneas o que el sistema se encuentre en equilibrio o el desequilibrio
de errores.
Coeficiente de velocidad: nos indica por porcentaje de desequilibrio va despareciendo
si esta por el rango 0 significa que el desequilibrio se desaparece lentamente, por el
rango 1 ajuste rápido.
15. ¿Cuáles son las ventajas de aplicar el test de cointegración de Johansen versus el de
Engle - Granger?
Ventajas de Engle - Granger
Simplicidad
Desventajas de Engle – Granger
Sensible a la normalidad
n>2 múltiples variables puede existir múltiples de integración el número de
cointegracion es <4
es una metodología en 2 etapas no acepta errores porque contagia al siguiente paso
16. ¿Cuáles son las hipótesis nula del el estadístico traza y el estadístico máximo eigen valor
en la prueba de cointegración de Johansen, cuando se prueba cointegracion de tres
variables?

ARIMA

Cargado por

Copyright:

Formatos disponibles

ARIMA

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

ARIMA

Cargado por

Copyright:

Formatos disponibles

ARIMA

1. Mencione y explique los pasos de la metodología de Box Jenkins.

2.1 estimación: los modelos autorregresivos en principio no son estimados por

5.3 evaluacion y diagnóstico del modelo.

Significancia estadística de los términos AR y MA: se debe contrastar la significancia

Si algunos coeficientes de correlación presenta valores superiores a 0.60 podría

2. ¿Cómo se comportan las funciones de autocorrelación y autocorrelación parcial cuando

Bajo un supuesto de proceso estacionario

3. ¿Cómo se modela la estacionalidad determinística y la estacionalidad estocástica en un

MODELOS VAR Y SVAR

6. ¿Cuáles son las diferencias entre exogeneidad en sentido fuerte y débil?

1) cuando cambian los parámetros de la función marginal 𝜏2 no debe afectar 𝜏1 es

2) los parámetros de interés son función únicamente de los pa

Si te modelo cumple las condiciones puedes utilizarse para pronostico

7. ¿Cuáles son las diferencias de un modelo VAR en su forma reducida y en su forma

¿qué entendemos por el problema de identificación?

A este proceso de recuperación de parámetros se le conoce como identificación del modelo

8. Explique brevemente qué es la Función Impulso Respuesta.

MODELOS DE CORRECCIÓN DE ERRORES

10. Relacione los conceptos de cointegración y regresión espuria.

Regresión espuria: se presenta cuando se especifica mal el modelo y tratamos de jusgar

11. ¿Qué se entiendo por Causalidad en sentido de Granger?

También podría gustarte