Econometra Aplicada: Series de Tiempo

DR. PELAYO DELGADO TELLO

MODELOS MULTIVARIADOS DE SERIES DE TIEMPO

Tienen un orden temporal Se debe tener en cuenta que el pasado puede afectar el futuro. Los datos son aleatorios (en el sentido que uno no sabe que valor va a tomar en el futuro). Las variables generalmente tienen tendencia. Las variables con periodo temporal menor a un ao presentan un comportamiento estacional Los logaritmos y las variables ficticias son utilizados frecuentemente.

MODELOS MULTIVARIADOS DE SERIES DE TIEMPO

Modelo:

Yt 0 1 X 1, t 2 X 2, t ....... k X k , t .... t
Yt : variable dependiente en el instante t X1,t Variable independiente 1 en el insatanete t Et : error en el instante t

Problemas Frecuentes en modelos con series de Tiempo

Estacionalidad de las variables Quiebre estructural Autocorrelacin Heterocedasticidad (con menor frecuencia en este tipo de modelos)

EJEMPLO FUENTE DATOS

Los datos han sido simulados a partir de un reporte de ventas y gastos en publicidad de la revista coyuntura econmica del mes de julio del 2010.

Anlisis Preliminar de las series

Anlisis Grafico Son crecientes en el tiempo Pueden presentar estacionalidad Tienen una alta volatilidad Las ventas puede presentar un quiebre estructural en tendencia e intercepto

Preparacin de Datos
Primero se debe desestacionalizar las variables. En eviews: Abrir la variable Ingresar a la opcin: Proc/Seasonal Adjustment/Census X12

 Se debe seleccinar el mtodo de desestacionalizacin (multiplicativo o Aditivo) Y tambin se debe seleccionar las salidas que se desea (Variable ajustada estacionalmente

Nuevas variables desestacionalizadas

Despus de haber desestacionalizado las variables en el Workfile aparecer, las nuevas variables sin el componente estacional

Variables Desestacionalizadas
La variable desestacionalizada, regula las variaciones estacionales innecesarias de la variable (estas luego se pueden incrementar en el resultado final) Y sigue mantiene las caractersticas iniciales de la variable original.

VARIABLES EN LOGARITMOS Para transformar una variable en logaritmos se debe seguir las siguientes instrucciones. En eviews Series lventas = log(ventas_sa) Series lpro = log(pro_sa) Series lpub = log(pub_sa)

PRESENTACION GRAFICA Las variables en logaritmos disminuyen la volatilidad de las variables. Su anlisis es en porcentajes (Elasticidades anlisis de sensibilidad)

Modelo sin desestacionalizado

Modelo desestacionalizado

Anlisis Econmico: Ambos modelos tienen los signos esperados. Anlisis Estadstico: Anlisis de significancia individual: Aparentemente el modelo desestacionalizardo es mejor dado que sus dos variables explicativas son significativas, mientras que el modelo desestacionalizado, muestra que la variable publicidad no es significativo. Anlisis grupal: El R2 del modelo desestacionalizado es mejor ,al igual que el F-estadstico

Problemas de Estabilidad estructural

Como se explico anteriormente, los modelos de series de tiempo frecuentemente presentan problemas de quiebre estructural. Para detectar el quiebre estructural se utiliza el test grfico de CUSUM y CUSUM2, la idea de este test, es que si SCR (suma de los residuos recursivos al cuadrado) sobrepasan las lneas de confianza entonces existe problemas de quiebre estructural

PROCEDIMEINTO
E-VIEWS Regresionar el modelo View Estability Tests Recursive estimates CUSUM o CUSUM squares test Okey

Problemas de quiebre estructural

Modelo Sin desestacionalizar
40 30 20 10 0 0 -10 -20 -30 2002 2003 2004 2005 2006 -10 -20 -30 2002 2003 2004 2005 2006

Modelo desestacionalizado
30 20 10

CUSUM

5% Significance

CUSUM

5% Significance

1.4 1.2 1.0 0.8 0.6 0.4 0.2 0.0 -0.2 2002 2003 2004 2005 2006

1.4 1.2 1.0 0.8 0.6 0.4 0.2 0.0 -0.2 2002 2003 2004 2005 2006

CUSUM of Squares

5% Significance

CUSUM of Squares

5% Significance

Segn el test de Cusum y Cusum2: Ambos modelos presentan problemas de quiebre estructural.

CONTRASTES DE CHOW
El contraste de prediccin de Chow tambin se utiliza para detectar quiebre estructural. Este contraste de Chow divide los datos en dos partes (se le debe dar la fecha de corte) y regresiona por separado y luego compara los residuos obtenidos, si estos son distintos entonces existe quiebre estructural. La Hiptesis Nula de este Contraste de Chow es el modelo tiene estabilidad paramtrica. Y la hiptesis alterna, existe problemas de quiebre estructural(no tiene estabilidad paramtrica)

CONTRASTE DE CHOW EN EVIEWS

Primero se debe regresionar. Se debe saber la fecha de corte >view / stability test / Chow Breakpoint test Se debe introducir la fecha de quiebre Se rechaza la hiptesis nula cuando la probabilidad del Fstadistico es menor que el 5% En este caso se concluye que existe quiebre.

MODELOS SIN PROBLEMA DE QUIEBRE ESTRUCTURAL

Modelo Sin desestacionalizar Modelo desestacionalizado

1.6

1.6

1.2

1.2

0.8

0.8

0.4

0.4

0.0

0.0

-0.4 05M10 06M01 06M04 06M07 06M10 07M01 07M04 CUSUM of Squares 5% Significance

-0.4 06M01 06M04 06M07 06M10 07M01 07M04

CUSUM of Squares

5% Significance

PROBLEMAS DE AUTOCORRELACIN

Se da cuando los residuos del modelo estn autocorrelacionados. No se cumple que las cov(ei,ej)=0
u,u 0 Fig.1.1 u,u u,u u,u tiempo 0 u,u Fig.1.2

tiempo u,u

0 Fig.1.3

tiempo u,u

0 Fig.1.4

tiempo u,u

Consecuencias
Como en el caso de la heterocedasticidad, en presencia de autocorrelacin los estimadores MCO continan siendo lineales-insesgados al igual que consistentes, pero dejan de ser eficientes.

COMO DETECTAR
Estadstico Durbin Watson
Ho: No existe autocorrelacin de 1er orden Ha: Existe autocorrelacin de 1er orden.
Decisin prctica: Si DW esta alrededor de dos no existe autocorrelacin
d

(u
t 2

t n

u t 1 ) 2
2 t

u
t 2

t n

2 t

u t21 u t u t 1

2 t

2(1

u u u
t

t 1

2 t

) 2(1 )

Rechcese H0 evidencia de auto correlacin positiva

Zona de indecisio n No se rechace H0 H0 o ambas

o

Zona de indecisio n

Rechcese H0 evidencia de auto correlacin negativa

d 4dU 4- dL

dL

dU

Para el caso prctico

Modelo Sin desestacionalizar Modelo desestacionalizado

En ambos modelos existe problemas de autocorrelacin de primer orden debido a que el estdistico DW es menor de 2.

Para el caso prctico

Modelo Sin desestacionalizar Modelo desestacionalizado

En ambos modelos existe problemas de autocorrelacin de primer orden debido a que el estdistico DW es menor de 2.

PRUEBA DEL CORRELOGRAMA RESIDUAL

Esta prueba se usa para determinar la estructura autor regresiva de orden . Pasos: 1.- Regresionar el modelo 2.- VIEW 3.- RESIDUAL TEST 4.- CORRELOGRAM SQUARED RESIDUALS 5.- OBVSERVAR EL GRAFICO Y DETERMIANR EL ORDEN

Modelo Sin desestacionalizar

Modelo desestacionalizado

En el modelo sin desestacionalizar, se puede observar que existe problemas de autocorrelacin de primer y segundo orden

En el modelo desestacionalizado, se puede observar que existe problemas de autocorrelacin de primer y sexto orden, (aunque el sexto rezago es muy alto y no se podra considerar)

PROBLEMAS DE HETEROCEDASTICIDAD
Hasta el momento hemos realizado el anlisis de los dos modelos (El modelo sin desestacionalizar y el modelo Desestacionalizado) y no se ha observado claramente el beneficio de trabajar con datos desestacionalizados. El test de White para identificar problemas de heterocedasticidad podra definir con cual de los dos modelos podemos quedarnos.

TEST DE WHITE PARA IDENTIFICAR HETEROCEDASTICIDAD

El modelo sin desestacionalizar presenta problemas de heterocedasticidad, debido a que su probabilidad F-stat es menor al 5% (se rechaza la hipotesis de homocedasticidad

El modelo desestacionalizado no presenta problemas de heterocedasticidad, y por lo tanto sus resultados son mucho mas eficientes.

CONTRASTACIN DE HIPTESIS
Los gastos en publicidad y promocin han influido positivamente sobre las ventas. Si el gasto en publicidad se incrementa en mil soles entonces las ventas se incrementarn en 36.94 De la misma manera Si el gasto en promocin se incrementa en mil soles entonces las ventas se incrementarn en 34.24

Segunda Hiptesis: El gasto en publicidad influye en la misma magnitud que el gasto en promocin.
Para contrastar esta hiptesis, en primer lugar hay que tener en cuenta dos periodos. Antes de octubre del 2005 y despus del 2005. Para esto se debe hacer un test de Wald,

En este caso el resultado indica que no existe evidencia estadstica de que ambos efectos fueran distintos (no se puede rechazar la hiptesis nula

Tercera Hiptesis: Los incrementos de los ventas en los dos ltimos aos se deben en mayor proporcin a los gastos en promocin.

El coeficiente que considera el quiebre estructural es significativo y positivo, este resultado indica que en los dos ltimos aos el gasto de mil soles en promocin a incrementado las ventas en cerca de 15 mil soles adicionales.

PRONSTICOS EN MODELOS MULTIVARIADOS

Para realizar un proyecciones en los moduelos mutivariados se debe tener en cuenta que: Se debe tener un modelo que se ajuste bien para las proyecciones de la variable dependiente. Se debe conocer los valores futuros de las variables independientes.

PROYECCIN Para proyectar se debe tener un buen nivel de ajuste del modelo. Para observar esto se debe de realizar un anlisis del poder predictivo del modelo. En Eviews Regresionar el mejor modelo Forecast (presionar el boton Forecast)

 Para evaluar si un modelo tiene un buen poder predictivo, se analiza el Coeficiente de desigualdad de Theil, este debe estar cercano a cero para que el modelo sea un buen modelo para predecir. Por otro lado la proporcin de covarianza debe ser cercano a 1.

PREDICCIN
Si el modelo es bueno para predicir, entonces se debe de seguir las siguientes pasos. Expandir la muestra (recomendable solo uno o dos periodos hacia delante). >Expand 2002.1 2007.6 Ingresar valores para las variables independientes

Junio 2007

Julio 2007

Gastos Promocin
Gastos Publicidad

40
27

42
29 1

Variable dummy 1

 En la ventana de prediccin se debe introducir el periodo que se desea proyectar. Tambin se debe ingresar la variable en la cual se van a depositar las predicciones

Los valores proyectados sern

Junio 2007 Julio 2007

Ventas

3107.40

3231.16

THE END