BALOTARIO FINAL DE ECONOMETRIA II

Marque la respuesta que considere correcta:

1) ¿A qué puede obedecer la expresión:

a) Modelo estructural de 2 ecuaciones y 2 incógnitas.

b) Modelo VARMA (1,1).
c) Un modelo VEC de 2 ecuaciones.
d) Modelo GARCH (1,1).

2) ¿Qué puede provocar una correlación espuria?

a) Una regresión con series no estacionarias.
b) Una regresión con alta autocorrelación.
c) Una regresión entre variables que no tiene relaciones de causalidad.
d) Una regresión entre dos variables equivalentes.

3) Señale la respuesta CORRECTA en relación con los aspectos que distinguen un modelo
VAR de un modelo estructural.
a) Al contrario que el VAR, el modelo estructural es multiecuacional.
b) Al contrario que los estructurales, los modelos VAR predicen más de una variable.
c) Al contrario que los VAR, en los modelos estructurales las variables endógenas no
pueden ser explicadas por sus propios retardos.
d) Al contrario que los estructurales, en los modelos VAR todas las variables explicadas
retardadas actúan como explicativas.

4) ¿Cuál de las siguientes afirmaciones es cierta sobre la ecuación de cointegración?

a) Es la combinación lineal que convierte en estacionarias varias series integradas de orden
uno.
b) Muestra la relación de equilibrio a largo plazo entre las variables que la forman.
c) Contiene información sobre series estacionarias.
d) Muestra el error cometido entre la predicción a corto y a largo.

5) ¿Cuál de los siguientes elementos diferencia a un modelo GARCH de un ARCH?

a) Al contrario que el ARCH, el GARCH incorpora en la explicación de la varianza a los
valores rezagados de la propia varianza.
b) Al contrario que el ARCH, los modelos GARCH permiten incorporar las asimetrías
positivas y negativas en las innovaciones.
c) Al contrario que el ARCH, los modelos GARCH permiten que el efecto de la innovación
sea exponencial.
d) Al contrario que el ARCH, los modelos GARCH permiten comprender las relaciones
teóricas subyacentes a los modelos financieros.

6) La función impulso-respuesta muestra...

a) La variación global de las variables explicadas ante cambios de las variables
explicativas.
b) La variación relativa de la variable explicada ante un cambio en la misma variable
rezagada.
c) La variación de las explicadas ante cambios en los errores.
d) La variación del error de predicción al aumentar el número de retardos de las
explicativas.

7) ¿Cuál de las siguientes circunstancias es un problema en la estimación de modelos

estructurales?
a) Se estiman varias ecuaciones.
b) Se incluyen identidades entre las ecuaciones.
c) Se necesita distinguir entre variables endógenas y predeterminadas.
d) Existen relaciones de simultaneidad entre las ecuaciones.

8) ¿Cuál es el elemento diferenciador de un modelo ARCH?

a) Son modelos multiecuacionales.
b) Tiene en cuenta la heteroscedasticidad de la varianza.
c) Modeliza la propia varianza.
d) Utiliza valores retardados de la varianza como variables explicativas.

9) ¿Cuál de las siguientes variables no formaría parte como explicativa de un modelo

VAR?
a) Variables explicadas contemporáneas.
b) Variables explicadas rezagadas.
c) Variables explicativas adicionales contemporáneas.
d) Términos independientes.

10) En los modelos de corrección del error...

a) El error cometido en la predicción se incorpora para la predicción a largo plazo.
b) Se busca un estimador que minimice el error cometido en la predicción.
c) Se selecciona el modelo VAR restringido que minimice el error de predicción.
d) Una proporción del distanciamiento de la relación a largo plazo se corrige en el corto
plazo.

Llene los espacios en blanco con la respuesta que considere correcta:

1) Un modelo GARCH (1,1) estándar presenta la siguiente especificación:

(1) yt  xt    t
(2)  t2     t21   t21
Donde la ecuación para la media recogida en (1) se escribe y t como función de unas
variables exógenas con un término de error.
La ecuación para la varianza condicional especificada en (2) es una función de tres
términos: la media (ω), información acerca de la volatilidad en el periodo previo, medida
como el retardo de los residuos al cuadrado en la ecuación de la media  t 1 (el término
2

ARCH), y el último periodo estimado de la varianza  t21 (el término GARCH).

2) La expresión (1,1) en GARCH (1,1) se refiere a la presencia de un término GARCH de
primer orden (el primer número entre paréntesis) y un término ARCH de primer orden (el
segundo número del paréntesis).

3) Un modelo ARCH corriente es un caso especial de especificación GARCH en donde no

hay valores retardados estimados de la varianza en la ecuación de varianza condicional.

4) Un modelo ARCH (1) sería un modelo GARCH (0,1) donde se tendría en cuenta la
información de predicción sobre la última varianza conocida de la variable endógena
(varianza del período anterior).

5) En general la representación de la varianza según un GARCH (p,q) es

q p
 t2      i  t2i    j t2 j
i 1 j 1

Donde p es el orden del término GARCH y q el orden del término ARCH. Luego un
modelo ARCH (q) se plantea como un caso concreto de este modelo GARCH, en el que los
parámetros β i son iguales a cero.

MODELO VEC Y MODELO VAR. LLENAR ESPACIOS EN BLANCO

1) En los modelos VAR, así como en la modelización univariante de series temporales,
asumimos que las series temporales utilizadas son estacionarias. Cuando efectuamos
regresiones entre variables no estacionarias podemos caer en el problema de las
llamadas correlaciones espurias, con este término denominamos determinadas
estimaciones de modelos que presentan, en principio, buenas validaciones: poseen
un alto valor explicativo (R2), valores significativos de los parámetros; pero que
encierran relaciones “no-reales”.

2) Relaciones “no reales” ocurre cuando las variables explicativas y explicada de la

ecuación (por ejemplo, de un modelo AR), no son estacionarias, es decir, presentan
tendencia. Cuando esto ocurre, el estimador de mínimos cuadrados no es
consistente, y los procedimientos de inferencia no son utilizables, puesto que su
utilización nos puede llevar a conclusiones engañosas, al rechazar la hipótesis de
nulidad de un parámetro, cuando en realidad sí es nulo, debido a que la distribución
de probabilidad de los estadísticos, en esos casos, no coincide con la habitual que
utilizamos. Por tanto, los valores críticos utilizados son inapropiados.

3) Ciertas modelizaciones entre variables no estacionarias, pero que cumplen ciertas

condiciones denominadas de cointegración, no sólo no son espurias, sino que
aportan gran información sobre las relaciones de equilibrio a largo plazo de las
variables económicas.

4) Un modelo de vector de corrección del error (VEC) es un modelo VAR restringido

(habitualmente con sólo dos variables) que tiene restricciones de cointegración
incluidas en su especificación, por lo que se diseña para ser utilizado con series que
no son estacionarias pero de las que se sabe que son cointegradas.
 5) El principio detrás de los modelos VAR VEC es que existe una relación de
equilibrio a largo plazo entre variables económicas y que, sin embargo, en el corto
plazo puede haber desequilibrios. Con los modelos de corrección del error, una
proporción del desequilibrio de un período (el error, interpretado como un
alejamiento de la senda de equilibrio a largo plazo) es corregido gradualmente a
través de ajustes parciales en el corto plazo.

¿Qué es un Modelo VAR?

6) Un modelo VAR es un modelo formulado por un sistema de ecuaciones simultáneas
pero con variables estacionarias. Se trata de un proceso vectorial auto regresivo
(herramienta para entender y, aún más, para predecir futuros valores de la serie).

7) Un modelo VAR se propone como un sistema de ecuaciones, con tantas ecuaciones

como series a analizar o predecir, pero en el que no se distingue entre variables
endógenas y exógenas. Así, cada variable es explicada por los retardos de sí misma
(como en un modelo AR) y por los retardos de las demás variables. Se configura
entonces un sistema de ecuaciones auto-regresivas o, si se quiere ver así, un vector
auto-regresivo (VAR).

¿Cuál es la Ecuación de Especificación de un Modelo VAR?

8) La expresión general de un modelo VAR está dada por la siguiente especificación:

Donde y t es un vector con las g variables objeto de predicción

(llamémoslas explicadas), xt es un vector de k variables que explican
adicionalmente a las anteriores, los coeficientes alpha y beta son matrices de
coeficientes a estimar, y épsilon es un vector de perturbaciones aleatorias (una por
ecuación), cada una de las cuales cumple individualmente el supuesto de ruido
blanco (homocedasticidad y ausencia de autocorrelación), y entre ellas cumplen el
supuesto de homocedasticidad inter-ecuaciones.

¿Qué es un Modelo VEC?

9) Un modelo VEC es un modelo formado por un sistema de ecuaciones simultáneas
pero con variables estacionarias, se trata de un proceso vectorial (resolver un vector
matemático de las ecuaciones con corrección de errores).

¿Cuál es la Ecuación de Especificación de un Modelo VEC?

10) La ecuación de Especificación de un modelo VEC es una ecuación de
Cointegración, definida por: y 2t   y1,t que solo se cumplirá a largo plazo. Por
tanto, el error a ir corrigiendo es: y 2t   y1,t y el vector de corrección del error
(VEC) es
y1t  1  y 2 ,t 1    y1,t 1    1,t
y 2t   2  y 2,t 1    y1,t 1    2,t
 11) En el modelo VEC, la única variable que aparece en la parte derecha de la ecuación
es el término de corrección del error. En el equilibrio a largo plazo, este término
toma el valor cero. Sin embargo, si y1 e y 2 se desvían del equilibrio a largo plazo
en el periodo actual, el término de corrección del error es distinto de cero y cada
variable se ajusta parcialmente para restablecer la relación de equilibrio. Los
coeficientes  1 y  2 miden, precisamente, la velocidad de este ajuste.

12) En el modelo VEC, se supone que las dos variables endógenas y1,t e y 2,t tendrán
un valor medio distinto de cero, pero la ecuación de cointegración tendrá un término
independiente nulo. Alternativamente, puede admitirse que las dos variables
endógenas y1,t e y 2,t no tienen tendencia y considerar que la ecuación de
cointegración tiene término independiente.

13) El vector de corrección del error tiene la expresión:

En forma similar, otras variantes adicionales pueden establecerse suponiendo un

término de tendencia en la ecuación de cointegración, pero no por separado en las
dos ecuaciones del VEC.

Marque la respuesta o respuestas correctas y llene espacios en

blanco

1. Un analista intenta establecer la posible relación existente entre las variaciones

mensuales de los tipos de interés a corto plazo (IR t) y las variaciones mensuales
del rendimiento de los bonos del tesoro (RBON t) para lo cual plantea el siguiente
modelo:
RBONt= 0 +1IRt +εt
Se dispone de datos mensuales desde 1950:01 hasta 1999:12. La primera
estimación de este modelo pone de relieve una deficiente especificación dinámica
que intenta corregir utilizando un modelo dinámico del tipo ADL(p,q) :
A(L)RBONt= 0 +B(L) IRt +εt
Donde: A(L) y B(L) son polinomios en el operador de retardos.

Una vez estimado este modelo y tras un proceso de verificación de restricciones,

el modelo seleccionado es el siguiente:
(1-0.3L)RBONt=0.05+(0.24-0.09L )IRt +êt
En el que todos los parámetros de este modelo ADL(1,1) son significativos y los
residuos no presentan signos de autocorrelación serial

1. En este modelo el multiplicador a corto plazo es:

a) el parámetro de IRt,, es decir, 0.24. (V)
b) suma de los parámetros del polinomio A(L)
c) la suma de los parámetros del polinomio B(L)
d) ninguna de las anteriores es cierta

El multiplicador de largo plazo se obtendrá:

1. (0,24-0,09L)/(1-0.3L) = (0,24-0,09L)*(1+0.3L+0.3 2 L2 + 0.33L3 +……..)
= 0.24+(-0.09+0.24*0.3 )L+ (-0.09*0.3+0.24*0.3 2 )L2 + (-0.09*0.32+0.24*0.33 )L3
+(-0.09*0.33+0.24*0.34) + … =0.2

G=0.24+(-0.09+0.24*0.3 )+ (-0.09*0.3+0.24*0.3 2 ) +(-0.09*0.32+0.24*0.33) + (-

0.09*0.33+0.24*0.34) +……..= 0.2

El coeficiente que acompaña a L0 mide el impacto en t, es decir 0,24

G= (0.24-0.09)/(1-0.3)=0.2
El impacto en el momento t (L0) es 0.24

2 En este modelo el multiplicador total o de largo plazo es inferior a la unidad lo

que implica que:
a) el modelo es estable
b) una parte del efecto total esperado de un cambio unitario en IRt se
traslada a RBONt en el momento t. (V)
c) En concreto, el impacto es de 0,24. Un cambio unitario de IRt producirá
un cambio de 0.2 puntos en RBONt
d) que un aumento unitario en IRt no se traslada íntegramente al
rendimiento de los bonos. (V) porque el multiplicador de largo plazo es menor
a la unidad
e) que las variables no son estacionarias. No especifica a que variables se
refiere, si son las del modelo si son estacionarias. Si se refiriera a los tipos de
interés (sin diferenciar) entonces es verdad que estas no son estacionarias.
3. Se ha estimado el siguiente modelo VAR

Z1t = 0,7+ 0,1 Z1t-1 – 0,4Z2t-1 +0,5 Z1t-2 –0,2Z2t-2 +1t

Z2t = 0,2+ 0,8 Z1t-1 – 0,2Z2t-1 +0,6 Z1t-2 –0,1Z2t-2 +2t

Donde: 1t y 2t son procesos ruido blanco con:

�0,5 0, 03 �
Var()= � �
�0, 03 0,8 �

Señale cuales de las siguientes afirmaciones son ciertas

(a) El modelo es recursivo

(b) El modelo no es recursivo. (V) porque todas las variables entran en todas las
ecuaciones. Para que fuera recursivo, no debería estar, por ejemplo la variable Z 2
en la primera ecuación.
(c) Existe correlación contemporánea entre los procesos del modelo. → V. Si aparece
reflejada en la matriz de varianzas covarianzas de los procesos ruido blanco (-
0,03)
 (d) Las variables Z1t-1 y Z2t-1 son endógenas.
(e) Las variables Z1t-1 y Z2t-1 son predeterminadas. (V) Si, son variables que no
dependen de las innovaciones en el momento t se dice que son variables
exógenas débilmente.
(f) El modelo se caracteriza por tener solamente causalidad unidireccional de Z 1t a Z2t.
No, porque ambas variables aparecen en las dos ecuaciones, Z1t depende de Z2t y
Z2t depende de Z1t.

3. Se dispone de dos variables de las que se quiere estimar su relación dinámica

por medio del siguiente modelo VAR:
Yt = a11 yt-1 + a12 xt-1 +εyt
xt = a21 yt-1 + a22 xt-1 +εxt
Responda a las siguientes cuestiones marcando con una V si cree que es
verdadera, con D si es dudosa, es decir, si es verdadera bajo determinadas
condiciones y falsa en otras, y con F si es falsa
a) El sistema anterior puede estimarse por Mínimos cuadrados ordinarios
(MCO) aplicados a cada ecuación son ELIO (lineales, insesgados y
óptimos). (V). Si se puede porque, es un modelo VAR sin restricciones, en
el que todas las variables aparecen en todas las ecuaciones.
b) Si en cada ecuación del sistema anterior figurase como explicativa la
variable endógena correspondiente ¿sería adecuado estimar ese modelo
por medio de MCO? (F) porque tendríamos un problema de identificación
del modelo.
c) Las variables yt, xt deben ser estacionarias, solo en el caso de que se
quieran realizar contrastes de hipótesis. (V) Y para que los estadísticos que
utilicemos sigan las distribuciones típicas para realizar los contrastes de
hipótesis es necesario que las variables sean estacionarias. No se podrán
utilizar los valores críticos al uso.
d) Los modelos VAR son modelos sin teoría económica detrás. (V) pero eso
no ocurre con todos los modelos. Depende de que variables se trate,
tendrán una teoría económica detrás o no.
e) En los modelos VAR se pueden incluir variables exógenas, cuyos valores
se determinen fuera del sistema VAR. (V) porque se pueden utilizar
variables que provengan de otros modelos.
4 Un economista estima un modelo VAR para analizar las relaciones dinámicas entre las
variaciones del logaritmo de los precios (LPRECIOS) y las variaciones del logaritmo del
consumo privado (LCON) para una determinada economía, utilizando datos anuales.
Como no conoce el orden del modelo VAR estima tres modelos alternativos Var(1), Var(2)
y Var(3). Con la información proporcionada en los cuadros 1 y 2, responda a las siguientes
preguntas:
a) Decida el orden más adecuado de dicho modelo VAR
b) Diga cuál es la relación de causalidad entre la inflación y las variaciones de LCON
c) Con la información auxiliar que se proporciona en los cuadros 1 y 2 critique de forma
razonada los posibles problemas que pueda tener en la contestación del apartado b
e) A la vista de estos resultados del apartado c cree que la modelización VAR fue
acertada o hubiera sido más adecuada la utilización de un modelo de retardos
distribuidos del tipo ADL(p,q). Razone la respuesta.
Cuadro 1
 Estadísticos de los modelos VAR sobre la inflación y el consumo privado
Longitud Logaritmo de la Criterio de Criterio de
del retardo Verosimilitud (logL) AKAIKE Schwarz
(q) (AIC) (SC)
1 -116,14 0,3921 0,4348
2 -81,829 0,2953 0,2973
3 -78,321 0,4348 0,3665
Nota: estimaciones Eviews

Cuadro 2
Pairwise Granger Causality Tests
Date: 04/13/11 Time: 00:02
Sample: 1960 1995
Lags: 2

Null Hypothesis: Obs F-Statistic Probability

D(LPRECIOS) does not Granger Cause

D(LCONSUMO) 33 7.63143 0.00226
D(LCONSUMO) does not Granger Cause
D(LPRECIOS) 3.88104 0.03253

Solución
a) A la luz de los resultados del criterio de AKAIKE y el de Schwarz el menor valor
de estos criterios es el de orden 2, por lo tanto ese es el orden más adecuado para
formular el modelo VAR.
b) En cuanto a los resultados del test de Granger para contrastar la relación de
causalidad entre la variación del logaritmo del consumo privado y la inflación, en
ambos casos el P-valor es inferior a 0,05, el valor crítico habitual de la probabilidad
en los contrastes de hipótesis. Por lo tanto, en ambos casos rechazamos la
hipótesis nula tal y como está formulada, con lo que el consumo ayuda a predecir
la inflación y la inflación ayuda a predecir el consumo, es decir, hay
retroalimentación o causalidad bidireccional en el sentido de Granger.
c) En efecto, en este caso y a la luz de los resultados del test de Granger la
modelización de la relación dinámica de esas variables por medio del modelo VAR
es adecuada. No sería correcto utilizar modelos ADL, porque éstos solo recogen
la relación de causalidad en una dirección.

1) Un investigador quiere analizar si entre las variables y t y xt,, que son I(1), existe
una relación de largo plazo. Para ello, ajusta un modelo por MCO obteniendo los
siguientes resultados:
Yt =0.6 +0.96 xt + ệt
(0.1) (0.2)
Los datos entre paréntesis son las desviaciones estándar. Además se ha calculado
el estadístico Dickey-Fuller para los residuos (ệt ) que toma el valor de -1.40. El
valor en las tablas Dickey –Fuller para el nivel de significación del 5% es -2,97,
que se toma como valor crítico para contrastar la hipótesis nula. Señale cual de las
siguientes afirmaciones son ciertas y porqué.
a) Las variables mantienen una relación de largo plazo
Falso, pues los residuos no son estacionarios
b) Los residuos no son estacionarios
Verdadero, el estadístico de D-F es mayor que el valor crítico, luego se acepta
la hipótesis de que existe una raíz unitaria
c) Las variables ∆yt y ∆xt son estacionarias
Verdadero, si las variables yt y xt, son I(1) quiere decir que al aplicar una
primera diferencia se alcanza la estacionariedad
d) Las variables no están cointegradas
Verdadero, no están cointegrada puesto que en el modelo de regresión o de
largo plazo entre las series de nivel los residuos no son estacionarios.
e) El parámetro 0.96 es la velocidad de ajuste entre las variables.
Falso, porque no estamos ante un modelo con mecanismo de corrección de
error.
2) Se tiene el siguiente modelo VAR:

X t = 0.1 X t-1 + a 1t
Y t = 0.5 X t-1+ 0.5 Y t-1 +a 2t

Donde a 1t y a 2t son procesos ruido blanco con varianza unitaria y covarianza cero

Señale las afirmaciones verdaderas y dima porqué:

a) Se trata de un modelo recursivo y puede ser estimado por mínimos

cuadrados ordinarios de forma eficiente ecuación por ecuación.
Verdadero, aunque es un modero VAR con restricciones se podría estimar
por MCO porque la matriz de varianzas-covarianzas de los residuos es
diagonal, es decir, no hay relación contemporáneas (la covarianza es cero).

b) La relación de causalidad en el sentido de Granger es bidireccional.

Falso, porque Y no causa a X.
c) Tanto la variable xt como la variable yt tienen el mismo orden de
integración y el modelo VAR que forman es no estacionario.
Falso, porque X es estacionaria y, por tanto, Y también.
d) La variable xt es débilmente exógena.
Falso, X es fuertemente exógena, puesto que es independiente de a 2t y
además no causa a Y t, ya que no aparece en su ecuación.
e) Las dos variables xt e yt están cointegradas y, por la tanto, la dinámica de
ambas variables se podrá expresar mediante un mecanismo de
corrección del equilibrio.
Falso, xt es estacionaria (el parámetro del autorregresivo es menor que 1).
f) El efecto total sobre la variable y t ante un shock unitario (impulso) de la
variable x t es 0.5.
Falso, en la ecuación no existe una relación contemporánea, es decir, no
entra x t
 g) Un shock unitario de la variable x t no tiene un impacto contemporáneo
sobre yt.
Verdadero, xt no entra en la ecuación de yt
3) Se ha estimado el siguiente modelo uniecuacional para analizar las relaciones
dinámicas entre dos variables zt y rt, observadas mensualmente:

0.3L  0.6 L2
zt  rt  (1  0.3L) a t
1  0.4 L

Donde las variables z t y r t son estacionarias y a1t es un ruido blanco.

Señale las afirmaciones verdaderas y explique el por qué:

a) La variable zt responde contemporáneamente a variaciones de la variable r t.

Falso, porque el filtro recoge impactos a partir del siguiente periodo del que se
producen las variaciones. En el numerador del filtro no aparece L 0
b) La ganancia o multiplicador de largo plazo de la variable z t respecto de la r t
es 1,5.
Verdadero, la ganancia o multiplicador de largo plazo es

G= (0.3+0.6)/(1-0.4)=1.5

c) La relación dinámica desde la variable r t hacia z t se caracteriza por tener

una fase de decrecimiento convergente hacia cero.

Verdadero, el denominador del filtro es precisamente el causante de dicho

decrecimiento desacelerado. Es la suma de una sucesión con razón menor que
la unidad, por tanto, en dicha sucesión 0.4 irá elevada a sucesivos potencias y
el impacto se irá amortiguando hasta anularse.

1/(1-0.4L)= 1+0.4L+ 0.42L2+0.43L3+………..

4.- Considere dos variables, Z t y Rt, t=1,…,T, de las que se quieren estimar las
relaciones dinámicas que existen entre ellas.

a) Suponga que ambas variables son estacionarias y están relacionadas

mediante una estructura dinámica autorregresiva de orden uno, es decir
que sólo se incluyen los primeros retardos de ambas. Suponga también que
Zt es fuertemente exógena en la ecuación de R t y que ambas variables no
están relacionadas contemporáneamente. Formule un modelo para R t y otro
para Zt

El modelo sería:

Z t = 11 Z t-1+ aZt

 R t = 21 Zt-1 + 22 Rt-1+ aRt

La matriz de varianzas covarianzas es

Hay que fijarse que Zt aparece en la ecuación de R t, pero en la ecuación de

Zt no aparece Rt, es decir, Rt no causa a Zt y además es Zt es independiente
de los residuos de la ecuación de Rt. Por tanto, Zt es fuertemente exógena.

b) Suponga que en la ecuación de Rt, el coeficiente de la misma variable

retardada un período, es igual a 0.6 y que el coeficiente del primer retardo
de Zt es tal que la ganancia a largo plazo en Rt por una variación unitaria de
la variable Zt es igual a 2.

R t = 21 Zt-1 + 22 Rt-1+ aRt ,, (1-22 L) Rt =21 Zt-1+ aRt

La ganancia del modelo es g= 21/(1-22)=2, por tanto

21=2*(1-0.6)=2*0.4=0.8

Formule dicha ecuación dando a los coeficientes los valores que satisfacen
las condiciones anteriores.
R t = 0.8 Zt-1 + 0.6 Rt-1+ aRt

Ejercicios de respuestas múltiples

1. Se ha estimado el siguiente modelo VAR

Z1t = 0,7+ 0,1 Z1t-1 – 0,4Z2t-1 +0,5 Z1t-2 –0,2Z2t-2 +1t

Z2t = 0,2+ 0,8 Z1t-1 – 0,2Z2t-1 +0,6 Z1t-2 –0,1Z2t-2 +2t

Donde: 1t y 2t son procesos ruido blanco con:

�0,5 0, 03 �
Var()= � �
�0, 03 0,8 �

Señale cuales de las siguientes afirmaciones son ciertas

(g) El modelo es recursivo

Falso, porque todas las variables entran en todas las ecuaciones
(h) El modelo no es recursivo.
Verdadero, por la razón expuesta anteriormente
(i) Existe correlación contemporánea entre los procesos del modelo.
Verdadero, porque la matriz de los residuos refleja que éstos tienen covarianza no nula.
(j) Las variables Z1t-1 y Z2t-1 son endógenas
 Falso, son variables predeterminadas y, por tanto, débilmente exógenas
(k) Las variables Z1t-1 y Z2t-1 son predeterminadas.
Verdadero, por la razón expuesta en anteriormente
(l) El modelo se caracteriza por tener solamente causalidad unidireccional de Z 1t a Z2t.
Falso, hay causalidad bidireccional porque ambas variables entran en la ecuación de la otra
variable.

2. Para dos variables, Xt y Yt se ha estimado un modelo VAR(2) 1 cuyos resultados son

a) Exprese el modelo en forma matricial

1
La instrucción en eviews es Quick-Estimate VAR-VAR specification: Unrestricted VAR
 b) ¿Alguna de las variables es fuertemente exógena?

No, porque las dos variables entran en las dos ecuaciones y sus parámetros son significativos

c) ¿Cuál es el valor del criterio de Akaike global?

AIC= 1.409

3.-Para el rendimiento de la acción de la empresa LOGUS, S.A. se ha estimado el siguiente modelo:

z t  0.002  u t
Donde ut es un ruido blanco con varianza unitaria

a) Explicite el modelo que correspondería a la acción de la empresa LOGUS, S.A.

El modelo de la acción de la empresa sería

Δlog pt= -0.002+ ut

b) ¿Diría que se trata de un mercado eficiente? Razone la respuesta

Se trata de un mercado eficiente, pues el precio de la acción es acorde con un proceso paseo
aleatorio con deriva, típico de los mercados eficientes, en los que la predicción del precio
futuro es el precio actual

c) El histograma correspondiente a los residuos del modelo anterior es el siguiente:

¿La variable sigue una distribución normal? Razone la respuesta

¿A partir de la información expuesta, tanto en este apartado como en el anterior, se puede concluir
que los residuos son independientes? Razone la respuesta
 -La variable no sigue una distribución normal, puesto que es leptocúrtica, ya que el coeficiente
de curtosis es superior al de la normal que es igual a 3.

Además el estadístico Jarque-Bera es igual a 19,7, superior al valor en tablas. Este estadístico
sigue una χ con 2 grados de libertad que al 5% de error es igual a 6. Por tanto, se rechaza la
normalidad.

El test de Jarque-Bera es el siguiente:

JB= n/6(S2 +1/4(K-3) 2)

Donde S es el coeficiente de asimetría y K el de curtosis

-A tenor de la información proporcionada, se concluye que los residuos presentan correlación

lineal independiente, por ser ruido blanco. No obstante, el histograma presenta una de las
principales características de las series financieras en las que la variabilidad de la varianza
residual no es constante, lo que sería indicativo de que aún cuando no existe dependencia
lineal puede habar una dependencia cuadrática y se debería formular un modelo para dicha
varianza no constante.

4.- Un analista ha estimado el siguiente modelo para la variable de rendimientos de una

determinada acción.

yt   t t
 t2  0.3  0.4 y t21
Donde εt está igual e independiente distribuida con media cero y varianza 1.

a) En su opinión, ¿en base a qué criterios el analista ha decidido modelizar la varianza?

Lo primero que habrá hecho el analista es observar el gráfico y el correlograma de la los

precios de la acción y habrá comprobado que con una primera diferencia del logaritmo de sus
precios obtiene estacionariedad en media. Pero también observará que la variabilidad de dicha
serie no es constante en el tiempo.

También habrá observado que el histograma refleja que la variable es leptocúrtica y que el
estadístico de Jarque-Bera refleja que no sigue una distribución normal.

Por ello, habrá decidido estimar un modelo para la varianza. En concreto, este es un modelo
ARCH (1)

b) ¿Qué utilidad tiene este tipo de modelos?

Estos modelos sirven para modelizar la volatilidad de las variables financieras y obtener
predicciones, útiles en los análisis de riesgos.
Considere la variable adjunta Xt

Sean las tasas anuales de Xt aproximadas por las correspondientes diferencias de la

transformación logarítmica de la serie mensual original: Δ 12 log Xt =log Xt - log Xt-12

1.- Discuta como contrastaría si Δ12 log Xt es o no estacionaria y describa el estadístico

empleado para tal fin. (10 puntos).

Respuesta
Puesto que log Xt requiere, tal como es asumido en el texto, una diferencia anual para
transformarla en una serie estacionaria, contrastaremos la hipótesis de que Δ 12 log Xt
es integrada de orden uno I(1), utilizando el test de Osborn, Smith y Birchenhall (1988).
Para tal propósito, formularemos el modelo de regresión:

y contrastaremos en (1) la hipótesis nula de que β 1 y β2 son cero. Para ello, se

computará el estadístico F. Pero la distribución de dicho estadístico no es estándar y su
distribución es tabulada en dicho artículo. Para aplicar el test, utilizaremos dicha
tabulación. Si la hipótesis nula no es rechazada, se concluirá que log X t requiere una
doble diferenciación, implicando que Δ12 log Xt es integrada de orden uno, I(1).
Si se rechaza la hipótesis nula, entonces se podría contrasta la hipótesis de que β 2 es
cero, en cuyo caso log Xt solo requiere una diferencia anual. Pero de acuerdo con el
 texto de la pregunta esta últimas hipótesis es cierta, por tanto, si después de contrastar
la hipótesis descrita en el párrafo anterior, se concluye que la hipótesis nula se rechaza
se concluiría que Δ12 log Xt es estacionaria, es decir, I(0).

2.-¿Qué transformaciones se deberían realizar para alcanzar estacionariedad,

suponiendo que Δ12 log Xt es I(1)? Describa las características no estacionarias de X t (10
puntos)

Respuesta
El hecho de que se haya aplicado logaritmos a X t, implica que se ha aplicado esta transformación
para conseguir estacionariedad en varianza.
Por otra parte, si Δ12 log Xt es I(1), ello significa que requiere una diferencia regular de orden uno
para ser estacionaria, por tanto la variable estacionaria es Δ Δ12 log Xt y, puesto que
Δ Δ12= 1 – L – L 12(1-L),
log Xt se puede escribir como
log Xt = log X t-1 +Δ log X t-12 + w t , (2)
donde w t es un componente estacionario. De (2) es claro que log X t tiene una raíz unitaria,
reflejada por el término log X t-1 en el lado derecho de (2), significando que log X t no converge a
una media constante, sino que incorpora un pasado infinito. A partir de (2), se puede obtener la
siguiente expresión
Δ log Xt = Δ log X t-12 + w t, (3)
que implica que Δ log X t – que puede ser considerada como la tasa de crecimiento de X t -también
tiene una raíz unitaria y, por tanto, no converge a una media constante, sino que incorpora un
pasado infinito. La consecuencia es que log X t no oscila alrededor de una media constante, sino
que exhibe oscilaciones estacionarias alrededor de su valor previo log X t-1 aumentadas por un
incremento previo (Δ log X t-12). La consecuencia es que log X t tiene dos raíces unitarias y que los
datos observados muestran una evolución de crecimiento sistemático; es decir, no hay
estacionariedad en la parte regular, tal como refleja el gráfico.
Además en (3), la variable Δ log Xt no oscila alrededor de su valor previo (log X t-1), sino alrededor
del valor en el mismo mes del año previo, incorporando una evolución estacional, es decir, no hay
estacionariedad en la parte estacional.
En conclusión, las características no estacionarias de X t consisten en presentar no estacionariedad
en varianza, una tendencia, en forma de crecimiento sistemático, más oscilaciones estacionales
que configuran una senda no estacionaria de log X t.
La variable, log Xt, evoluciona alrededor de una senda no estacionaria con oscilaciones
estacionarias (wt)

3.-Escriba el modelo de log Xt y describa la función de autocorrelación (FAC) y el correlograma de

la transformación estacionaria, ilustrando el concepto de FAC para un proceso AR(1) con
coeficiente positivo igual a 0,6. Calcule los tres primeros valores distintos de cero.(15 puntos).

Respuesta
Tal como se ha expuesto en la pregunta anterior, el modelo de la serie será
Δ Δ12 log Xt = w t ,
Donde w t es la transformación estacionaria que seguirá un modelo ARMA.

Puesto que ΔΔ12 log Xt es estacionaria, esto significa que, en general, estará
correlacionada con valores previos y futuros y estas correlaciones solamente dependerán
de la distancia temporal, por ejemplo k, entre Δ Δ 12 log Xt y cada uno de los mencionados
valores. Esto significa que la correlación entre Δ Δ 12 log Xt y Δ Δ12 log Xt-k es la misma que
la correlación entre Δ Δ12 log Xt+h y Δ Δ12 log Xt+h-k para cualquier valor entero de k. Por
tanto, para la variable estacionaria Δ Δ 12 log Xt , podemos considerar la correlación con el
retardo de un periodo (Δ Δ12 log Xt-1 ), de dos periodos (Δ Δ12 log Xt-2 ),…, o con un retardo de
p periodo (Δ Δ12 log Xt-p ) y así sucesivamente. Estas correlaciones vienen denotadas por ρ 1,
ρ2,………,ρp y sucesivamente. Esta secuencia de coeficientes de correlación es conocida
como la Función de Autocorrelación (FAC) para el proceso estacionario Δ Δ 12 log Xt . La
FAC incorpora las correlaciones entre las variables Δ Δ 12 log Xt y Δ Δ12 log Xt-k . Por tanto,
los coeficientes ρ1, ρ2,………,ρp son coeficientes que definen la distribución conjunta del
vector de variables V=[ ΔΔ 12 log Xt , ΔΔ12 log Xt-1 , ΔΔ12 log Xt-2 ,…………, ΔΔ12 log Xt-p ]. Esto
significa que son los parámetros poblacionales, consistentes en valores fijos que reflejan
las correlaciones entre las variables del vector V.
En general, los valores de la FAC son desconocidos y los estimamos a partir de la serie
temporal, ΔΔ12 log Xt Si denominamos r1, r2,………,rp a los estimadores de ρ1, ρ2,………,ρp , la
secuencia de r1, r2,………,rp, se denomina correlograma. Estas estimaciones son una función
de variables estocástica que son, a su vez, variables estocásticas y cada estimación r k
tendrá una determinada función de distribución. En el caso estándar y para estimaciones
obtenidas de series temporales largas de ΔΔ 12 log Xt, la función de densidad de r k será
normal con media ρk y varianza v que puede aproximarse por 1/T, donde T es el número
de observaciones utilizadas en la estimación del correlograma.
Por tanto, los valores de ACF son constantes: son parámetros poblacionales, pero los
valores del correlograma no lo son, estos están sujetos a oscilaciones muestrales. Puesto
que estos últimos tienen una distribución de densidad, se puede contrastar hipótesis sobre
los valores del correlograma. En particular, se utiliza el estadístico t para contrastar si r k es
cero. Aplicando el test de la t para valores individuales del correlograma o un test
conjunto para un conjunto de valores, por ejemplo r 1, r2,………,rs se inferirá si los
correspondiente valores de FAC son o no cero.
En el caso presente, se nos dice que, en concreto, wt sigue un modelo AR(1), es decir:
ΔΔ12 log Xt = a ΔΔ12 log Xt + at
Donde at es ruido blanco, entonces se puede derivar que:

ρk = ak (4)
Puesto que nos dicen que el valor del parámetro es 0.6, entonces de la formula anterior se tiene
que la correlación de ΔΔ12 log Xt con ΔΔ12 log Xt-1 es 0.6 (correlación de primer orden), con
ΔΔ12 log Xt-2 e 0.36 (correlación de segundo orden) y con ΔΔ 12 log Xt-3 es 0.216 (correlación
de tercer orden).
Puesto que el proceso es estacionario, el valor de a en (4) ha de ser menor que uno en
valor absoluto; por tanto, el valor 0.6 utilizado en el ejemplo anterior, y consecuentemente
la secuencia de valores de la FAC del proceso AR(1) tiende a cero cuando la distancia k
entre variables tiende a infinito.
5.-En el modelo AR(1) anterior, calcule la media marginal, la media condicional, la varianza
marginal y la varianza condicional.(10 puntos)

Respuesta
El modelo anterior era:
ΔΔ12 log Xt = a ΔΔ12 log X t-1 + at . (5)

La media marginal, sea m, es

m = E(ΔΔ12 log Xt )= a(ΔΔ12 log Xt-1 )+ E (at );
m=am +0,
m(1-a)=0.
Puesto que el proceso es estacionario (1-a) es diferente de cero y, por tanto, m tiene que ser cero.
Si el modelo incluyese una constante, c, entonces.
m=c/(1-a)
En conclusión la media marginal es constante, y adoptará el valor cero si el modelo no tiene
constante y c/(1-a) si el modelo incluye una constante, c.
La media condicional, sea cm, con respecto a todo el pasado será:
E(ΔΔ12 log Xt / ΔΔ12 log Xt-1, ΔΔ12 log Xt-1, …)=cm= a ΔΔ12 log Xt-1, =0.6 ΔΔ12 log Xt-1
puesto que ΔΔ12 log Xt-1 es conocida y el valor esperado del ruido blanco condicional al pasado es la
media marginal, que es igual a cero.
Por tanto, la media condicional no es constante, sino que depende del valor de ΔΔ12 log Xt-1.
Para la varianza marginal se asume que la varianza del ruido blanco del modelo (5) es s 2
Entonces la varianza de ΔΔ12 log Xt , que denominaremos v es:
v= VAR(ΔΔ12 log Xt)= a2v + s2,
puesto que la variable ruido blanco no está correlacionada con ΔΔ12 log Xt-1
Y por tanto,
v= s2/(1-a2)= s2/(1-o.62)= 1.56 s2 (6)
La varianza condicional es la varianza de ΔΔ12 log Xt pero es indiferente con respecto a la media
condicional. Puesto que la media condicional es como se ha visto anteriormente a ΔΔ12 log Xt-1,
entonces la diferencia de ΔΔ12 log Xt con respecto a su media condicional es justamente el ruido
blanco at . Consecuentemente, la varianza condicional de ΔΔ12 log Xt es la varianza marginal del
término residual ruido blanco, que es s2.
Comparando la varianza marginal y la condicional de ΔΔ12 log Xt , se observa que la marginal es
superior a la condicional.

EJERCICIO
Un departamento de análisis de un Banco de Inversión quiere analizar la relación entre los
tipos de interés a corto plazo (Ct) y a largo de Colombia (Lt).

Todas ellas son I(1) con media igual a cero en la transformación estacionaria.

1) Formule un modelo VAR(1) para las series log Ct y log Lt. Describa la formulación
del modelo suponiendo que existe una dependencia dinámica triangular (12
puntos)

Respuesta

El modelo VAR (1) será como sigue

Log Lt = φ11 logLt-1+ φ12 log Ct-1 + a1t

Log Ct = φ21 logLt-1+ φ22 log Ct-1 + a2t (1)

Donde ajt, j=1 y2 son los componentes ruido blanco con matriz de varianzas-covarianzas Ω

 12  12 
Ω=  2
 21  2 

Donde es la covarianzas contemporánea entre ai y aj, i y j=1,2 . Obviamente y Ω es

simétrica.

En el modelo VAR(1), φij´s, i y j=1,2 son parámetros del modelo.

Si numeramos log Lt, log Ct como las variables 1 y 2, respectivamente, tendremos que los
parámetros φij, miden el efecto del primer retardo de la variable j en la ecuación de la variable i.

Por su parte φ12 mediría el efecto que los tipos de interés a corto plazo retardada un periodo
tienen sobre los tipos a largo en el momento (t). Por tanto, los coeficientes φ ij´s reflejan todos los
efectos dinámicos en el sistema, que tal como se ha definido en la pregunta, solamente llegan
hasta un periodo retardado.

En este caso, suponemos que existe una dependencia dinámica triangular; es decir, φ12 = σ12 =0.
Además, la covarianza entre los términos residuales también es cero. Estamos ante un modelo
recursivo.

Asumiendo, por tanto, que log L t es fuertemente exógena en la ecuación de log C t , el modelo
VAR(1) recursivo resultante es:
(2.1) Log Lt = φ11logLt-1 + a1t (2)
(2.2) Log Ct = φ21logLt-1+ φ22 log C t-1 +a2t ,
Y la matriz de varianzas-covarianzas Σ es

Σ= ;

Indicando que no hay relación contemporánea entre log L t y log Ct.

En (2) podemos observar que el efecto de log C t-1 en log Lt es cero. Por tanto, en el sistema (2) log C t
depende de su primer retardo y del primer retardo de log L t, pero log Lt solo depende de su propio
retardo. Puesto que Σ es diagonal, no hay relaciones contemporáneas entre las variables. En
definitiva, puesto que el modelo (2) es recursivo, nosotros podremos trabajar con sus dos
ecuaciones como si se tratara de dos modelos separados uniecuacionales, en el cual el modelo
para log Lt es un AR(1) univariante y la ecuación para log C t es un modelo de regresión dinámico
con log Lt-1 y log Ct-1 como regresores.

2) Describa con detalle cómo contrastaría si las series log Ct y log Lt están
cointegradas. (11 puntos)

Respuesta
Cointegración solamente se aplica para variables integradas. Puesto que el modelo (2) tiene solo
variables retardadas un periodo como regresores, log L t y log Ct pueden ser como máximo
integradas de orden uno. Antes de considerar cointegración, deberíamos contrastar si log L t y Log
Ct son I(1). Podemos hacerlo aplicando el test de Dickey-Fuller. A continuación se ilustra como
aplicar este test para la variable log Lt.
Puesto que log Lt sigue un simple modelo AR (1) –con una raíz unitaria si log L t es integrada-,
entonces no tendremos que aplicar el test de Dickey-Fuller aumentado, sino que el test simple de D-
F test es bastante. Empezaremos formulando la regresión:

∆Log Lt = logL t-1 + a1t (3)

Donde δ= (φ11 -1).La hipótesis nula de integración de orden uno puede hacerse contrastando: H 0:

Utilizaremos el valor del estadístico “t” del valor estimado de . Pero su

distribución no es estándar. La correspondiente distribución de depende de tipo de

elementos determinísticos presentes en (3). Por tanto, compararemos el valor de con los
valores tabulados a un nivel de significación determinado (A). Si

>A,

Entonces no rechazamos la hipótesis nula de y, por tanto, no rechazamos que log L t e es I(1).
Se procederá de manera similar para contrastar que logC t es I(1).

En este caso, el enunciado nos dice que ambas variables son I(1); podremos contrastar
cointegración utilizando la aproximación de Engel-Granger, formulando una regresión entre las
variables de nivel y contrastar si los residuos son I(0), en cuyo caso log L t y Log Ct estarán
cointegradas. La regresión dinámica para este test debería ser la ecuación de log C t en (2). Después
de estimar esta regresión dinámica, aplicaríamos el test de D-F a los residuos a 2t formulando la
siguiente regresión:
∆a2t = da2t-1+εt , (4)
y contrastando : H0: d =0. Si rechazamos la hipótesis nula, entonces a 2t es estacionaria y log Lt y log
Ct están cointegradas. El test de cointegración será realizado por medio del estadístico t, ,
pero ahora su distribución no estándar no se corresponde a la distribución tabulada por D-F, sino
por la tabulada por Engle and Granger.

3) Sabiendo que el resultado de los contrastes anteriores indican que las series están
cointegradas formule un modelo VEqMC para ellas. Suponga que el parámetro φ 11
es igual a la unidad. (10 puntos)
Respuesta
Puesto que Lt es fuertemente exógena en la ecuación de log C t, entonces el modelo recursivo en (2)
es el apropiado. El modelo recursivo con causalidad de C t hacia Lt se elimina. Por tanto, siendo log
Lt y log Ct integradas de orden uno, entonces φ11=1, debido a que log Lt sigue un modelo AR (1)
(aspecto que ya se señala en el enunciado). Puesto que log L t es fuertemente exógena, el
mecanismo de corrección de error derivado de la relación de cointegración solamente entra en la
ecuación de log Ct. De hecho, la ecuación para for log L t en el modelo VEqCM es:
∆Log Lt = a1t
Para obtener el modelo de corrección para log Ct, nótese que el orden del VAR para las variables
log Lt y log Ct es uno, por tanto, el modelo VEqCM que se define utilizando las variables
dependientes ∆Log Lt y ∆Log Ct, no pueden tener retardos de esas variables dependientes porque
ello implicaría que el orden dinámico de (2) debería ser mayor que uno. La consecuencia es que el
modelo de equilibrio para log Ct incluirá solamente el término de corrección de error.
El término de corrección de error será
α),
Siendo β la ganancia de largo plazo en la segunda ecuación en (2). Ello significa que

y el coeficiente del regresor de log C t-1 en la formulación de (2) con ∆Log Ct como variable
dependiente. Esto implica que

y, por tanto,

– = φ21 /α.

Por tanto, el modelo VEqCM toma la forma:

(5.1) ∆Log Lt = a1t

(5.2) ∆Log Ct = α  log C t 1   log Lt 1  + a2t .

Otra forma de llegar a (5.2) es restar en ambas partes de (2.2) log C t-1, multiplicar y dividir por
φ22log C t-1 y –( φ22-1)=(1- φ22) y simplificando los términos de la ecuación resultante,
obtendremos:
∆Log Lt = a1t

  21 
∆Log Ct = (φ22 -1) log C t 1  log Lt 1  + a2t.
 1   22 

4) Explique el significado de los parámetros del modelo VeqMC. (10 puntos)

Los coeficientes no cero en (5) son:

-β que es la ganancia a largo plazo o multiplicador de log L t en la ecuación para log Ct. Como las
variables vienen expresadas en logaritmos, mide la elasticidad entre las variables.
Por tanto,
(log C t   log Lt 1 )

Es el desequilibrio en log C en el momento t-1 con respecto a su valor de largo plazo (β log L t-1).
-α= (φ22 -1) es el coeficiente de ajuste, significando que la proporción del término de desequilibrio
en t-1 -log C t-1 – β log L t-1- se corrige en ∆log C en el próximo periodo, t.
 5) Discuta bajo qué hipótesis sobre los parámetros la variable log Lt sería fuertemente
exógena en la ecuación de log Ct. (12 puntos)

El hecho de que Log Lt sea fuertemente exógena en la ecuación de log Ct, implica:

a) En el modelo VAR, se tendría φ12 = σ12 =0. Es decir, el modelo es recursivo y no hay
dependencia contemporánea.
b) El parámetro del término de corrección de error en (5.1) es igual a cero; significando que
los desequilibrios en el largo plazo no afectan a log L t. De hecho, log Lt es adelantado a log
Ct en el largo plazo, en el sentido de que un shock propio en a 1t afectando su tendencia de
largo plazo (log Lt ) es trasmitida a través del modelo de corrección de error a log C t.
c) La covarianza entre a1t y a2t, significa que shock de ambas variables log Lt y log Ct no están
correlacionadas. Ello indica que no hay relación contemporánea.
d) Como consecuencia de lo anterior, el modelo se puede estimar de manera uniecuacional.
Por una parte se estimaría la ecuación de log Lt y, por otro, la de log Ct. que es una
ecuación con un mecanismo de corrección de error.