Estadística Aplicada

EVIEWS – objetos
• Objetos simples text | sample | scalar | valmap
• Valor por obs series | alpha | frml | group
• series vistas line | dot | distplot | distplot kernel | stats | freq
• series proc sort(-) | sort(obs) | map
• group vistas cor | cov | scat | xyline | line | stats
• group proc add | drop | sort
• group func @seriesname(#) | @count
• Presentación graph | table
• table proc setfont | settextcolor | setwidth # | setformat | setjust | setlines
• Matrices matrix | vector | rowvector | sym
• matrix scat | xyline | cor | cov | stats | fill
• Equation cinterval | wald | fit | forecast | @coef(#)
• Funciones
Estructura del manejo de objetos
• Declaración del objeto object_type(opts) object_name arg_list
• Vistas y procedimientos del objeto. Sintaxis de acciones sobre objeto
action_command(action_opt) object_name.view_proc(opts) arg_list
• action_command show o freeze(name) Por defecto show
• object_name nombre del objeto sobre el que se actúa
• view_proc nombre de la vista del objeto
nombre del procedimiento sobre el objeto
• opts opciones de la vista o procedimiento
• arg_list argumentos de la vista o procedimiento
• Funciones para obtener características del objeto

2
TEXT | SAMPLE | SCALAR | VALMAP
• TEXT: guarda textos, como un bloc de notas
• Declara objeto text llamado ntexto text ntexto

• SAMPLE: guarda una definición de muestra. No permite sobrescribir.

• Declara objeto sample llamado nmuestra sample nmuestra periodo
• Periodo se define igual que con el comando smpl

• SCALAR: guarda un valor numérico. Permite sobrescribir.

• Declara objeto scalar llamado nescalar scalar nescalar
• Guardar 2 en nescalar nescalar=2
• Se puede crear y guardar valor a la vez scalar nescalar=2

• VALMAP: guarda etiquetas de valores para series categóricas.

• Declara objeto valmap llamado nvalmap valmap nvalmap
• Proc: append valor “etiqueta” nvalmap.append 1 “costa”

3
SERIES | ALPHA | FRML
• SERIES: guarda un número por observación. Permite sobrescribir.
• Declara objeto series llamado nserie series nserie=exp
• exp define el contenido de la serie a partir de condiciones, @funciones y/u otras series
• Vistas: line | dot | distplot | distplot kernel | stats | freq
• Proc: sort(-) | sort(obs) | map valmap_name

• ALPHA: guarda un texto por observación. Permite sobrescribir.

• Declara objeto alpha llamado nalpha alpha nalpha=exp
• exp define el contenido del alpha a partir de @funciones y/u otros alphas/series.
• Vistas: freq

• FRML: como SERIES/ALPHA pero autoactualizable.

• Declara objeto series autoactualizable llamado nserie frml nserie=exp

4
GROUP
• GROUP: guarda un conjunto de SERIES/ALPHA. Permite sobrescribir.
• Declara objeto group llamado ngrupo group ngrupo series_list
• Extrae obs 10 de la segunda serie en ngrupo =ngrupo(2)(10)
• Vistas: cor | cov | scat | xyline | line | stats
• Procedimientos: add series_list| drop series_list | sort(series_list)
• Espacios para separar series en argumentos, comas para separar series en opciones
• Funciones:
• @seriesname(3) extrae nombre de la tercera serie en un grupo
• @count extrae el número de series en un grupo

5
GRAPH | TABLE
• GRAPH: guarda gráficos de líneas, barras, pie. No permite sobrescribir.
• Declara objeto graph llamado ngra graph ngra.gtype(opt) object_list
• gtype dot | line(m) | distplot | distplot(m) kernel | scat | xyline
• opt opciones de gtype. (s) un gráfico para varias series (m) un gráfico por serie
• object_list matrix | series_list | group

• TABLE: guarda textos organizados en tablas. No permite sobrescribir.

• Declara objeto table llamado ntabla table ntabla
• Extraer valor en fila 2 columna 3 de ntabla scalar nescalar=@val(ntabla(2,3))
• Procedimientos: setfont | settextcolor | setwidth # | setformat | setjust | setlines
• option para todos indicar celda Por ejemplo: B3, @all, B2:B8, 3, B
• setfont arg_list +b | +i | +u (bold | italics | underlined)
• settextcolor arg_list blue | green | @rgb(255,,)
• setformat arg_list g.# | f.# f.4 -> mostrar 4 decimales siempre
• setjust arg_list left | center | right
• setlines arg_list +t | +b | +l | +r (top | bottom | left | right)

6
MATRIX | VECTOR | SYM | ROWVECTOR
• MATRIX: guarda números en columnas y filas. Permite sobrescribir.
• Crear objeto matrix de dimensión 5x6 llamado nmatriz matrix(5,6) nmatriz
• Llena de ceros por defecto
• Guardar valor 1 en todas las celdas de nmatriz nmatriz=1
• Guardar valor 4 en columna 3 fila 2 de nmatriz nmatriz(2,3)=4
• Extraer valor de columna 6 fila 5 de nmatriz =nmatriz(5,6)
• Vistas: scat | xyline | cor | cov | stats
• Proc: fill(b=opt) #,#,#,# options: c (empieza por 1ra columna) r (por 1ra fila)
• Por ejemplo: nmatriz.fill(b=c) 6,2,9,10,2,25

• Objetos similares a MATRIX. Permiten sobrescribir.

• Crear matriz simétrica de 3x3 llamada nmatsim sym(3) nmatsim
• Crear vector de 3x1 llamado nvector vector(3) nvector
• Crear vector fila de 1x3 llamado nvecfila rowvector(3) nvecfila

7
Diferencias entre series y vectores
SERIE | GRUPO
• Tamaño limitado por el rango de
observaciones del workfile
• Los datos pueden ser ordenados
con algún criterio con el
comando (no el proc) sort
• Puede ser analizada con
comandos de estimación
econométrica (como serie
temporal)
VECTOR | MATRIZ
• Tamaño ilimitado
• Mantienen el orden establecido
con el que es creado
• No puede ser analizada con
comandos de estimación
econométrica (no tiene
dimensión temporal)
8
Funciones
• Matemáticas Operan valor por valor de matriz, vector, serie o escalar
• @ceiling(x) @floor(x) @round(x) @abs(x) @log(x) @sqrt(x) @mod(x1,x2)

• Distribuciones Operan valor por valor de matriz, vector, serie o escalar

• Normal @cnorm(0) @qnorm(0.5) @dnorm(0) @rnorm/@nrnd
• U(1,4) @cunif(x,1,4) @qunif(p,1,4) @dunif(x,1,4) @runif(1,4)/@rnd
• X2(3) @cchisq(x,3) @qchisq(p,3) @dchisq(x,3) @rchisq(3)

• Matriciales Sobre matriz, vector, sym, rowvector Devuelve matriz

• Crean @identity(4) @mnrnd(3,5) @mrnd(2,6) @subextract(x,#r0,#c0,#r1,#c1)
• Álgebra @det(x) @trace(x) * - + @inverse(x) @transpose(x) @columns(x) @rows(x)

• Relaciones lineales
• @cor(x1,x2) @cov(x1,x2) @inner(x1,x2) Sobre series o vectores Devuelven escalar
• @cor(x) @cov(x) @inner(x) Sobre grupo o matriz Devuelven matriz

9
Funciones
• Operadores temporales de series Devuelven serie
• x(#) | d(x) | d(x,#) | dlog(x)

• Estadísticas Sobre serie, vector o matriz Devuelven scalar

• @mean(x) @stdev(x) @var(x) @skew(x) @kurt(x) @min(x) @max(x)
• @obs(x) @sum(x) @median(x) @quantile(x,0.25) @sumsq(x) @inner(x)

• Estadísticas acumulativas o móviles Sobre serie Devuelven serie

• Acumulativas: @cumsum(x) @cumbsum(x) @cumprod(x) @cumbprod(x) @cummean(x)
• Móviles: @movav(x,3) @movstdev(x,#) @movmax(x,#) @movmin(x,#) @movcor(x1,x2,#)

• Estadísticas que operan por fila Sobre grupo Devuelven serie

• @robs(g) @rsum(g) @rmean(g) @rstdev(g) @rvar(g) @rsumsq(g) @rmax(g) @rmin(g)

10
Funciones
• Transformadoras
• @map(x,nvalmap)
• @unmap(y,nvalmap)
• @convert(x)
• stom(x,y)
• mtos(x,y)
• Varias
• @nan(exp1,exp2)
• @recode(exp1,exp2,exp3)
• @isobject(“nombre”)
• @obsrange
• @obssmpl
• series x=@trend
de serie x a alpha con etiquetas en nvalmap
de alpha y a serie con etiquetas en nvalmap
de serie/grupo x a vector/matriz
de serie/grupo x a vector/matriz y
de vector/matriz x a serie/grupo y
=exp1 si exp1 es diferente de NA =exp2 si exp1 es igual a NA
=exp2 si exp1 es verdadera =exp3 si exp1 es falsa
=1 si objeto “nombre” existe =0 si objeto no existe
devuelve escalar igual al número de obs en range del wf
devuelve escalar igual al número de obs en sample del wf
serie x guarda números correlativos ascendentes (1 2 3 … )
11
Ejercicio 1: Vector de coeficientes
A partir de la información en la Hoja 1 de datos1.xls
1. Transforme la serie pbi_crec en un vector denominado y
2. Cree el grupo variables que contenga las series igb tamex y libor
3. Transforme el grupo variables en una matriz denominada x
4. Cree el vector 𝑏 = 𝑥 ′ 𝑥 −1 (𝑥 ′ 𝑦)
5. Cree el vector 𝑦𝑝 = 𝑥𝑏
6. Transforme el vector yp en una serie denominada pbi_pred
7. Cree el gráfico rpta que muestre pbi_pred y pbi_crec en el tiempo.
Nota: Preste atención a la dimensión de vectores y matrices

12
Ejercicio 2: Tasas aproximadas
A partir de la información en la Hoja 1 de datos1.xls
• Cree series con los siguientes contenidos:
1. IGB rezagado en un mes
2. IGB adelantado en un mes
3. IGB rezagado en un año
4. Cambio de IGB de mes a mes
5. Cambio del cambio de IGB de mes a mes
6. Logaritmo de IGB
7. Diferencia del logaritmo de IGB
• Cree series con los siguientes contenidos:
1. Tasa de crecimiento de mes a mes de IGB aproximada (diferencia de log)
2. Tasa de crecimiento de mes a mes de IGB
3. Tasa de crecimiento anual de IGB aproximada (diferencia de log)
4. Tasa de crecimiento anual de IGB
¿Qué tan buenas son las aproximaciones? Compare 1. con 2. y 3. con 4.
13
Ejercicio 3: Números aleatorios
• En un workfile para 100 observaciones, cree series con los siguientes contenidos:
A. Realizaciones de una distribución Z
B. Realizaciones de una distribución normal, con media 3 y desviación estándar 2
C. Realizaciones de una distribución U(0,1)
D. Realizaciones de una distribución U(2,7)
• Cree un gráfico con el histograma de la serie de D.
• Cambie el gráfico de histograma a kernel
• Fije los números aleatorios que obtendrá en la siguiente serie, utilice 100 como
seed. Cree series con los siguientes contenidos:
1. Realizaciones de una distribución Chi-cuadrado, con 5 grados de libertad
2. Densidad de probabilidad de las realizaciones guardadas en la serie de 1.
3. Probabilidad acumulada de las realizaciones guardadas en la serie de 1.
4. Valor asociado a la probabilidad acumulada guardada en la serie de 3. Compare con 1.
5. Realizaciones de una distribución F(3,6)
Compare con los números aleatorios obtenidos por sus compañeros.
14
Ejercicio 4: FRML y VALMAP
• En un workfile para 20 observaciones, cree los siguientes objetos
1. Serie llamada X1 que contenga realizaciones de una distribución U(0,1)
2. Serie X2 que tome el valor de 1 si X1 es menor a 0.5, y 0 de lo contrario
3. Serie auto actualizable X3 que tome el valor de 1 si X1<0.5 y 0 de lo contrario
4. Grupo G1 que contenga las tres series que creó. Muestre el grupo
• Reemplace x1 con nuevos números aleatorios de distribución U(0,1).
Compare la series creadas en 2. y 3. antes y después del reemplazo
• Cree los siguientes objetos
1. Valmap SEXO que guarde las siguientes equivalencias: 0 “Hombre” y 1 “Mujer”
2. Asigne las etiquetas guardadas en SEXO a la serie X3
3. Alpha X4 que guarde los valores textuales que muestra la serie X2
4. Serie X5 que guarde los valores numéricos asociados a X4 según el valmap sexo
5. Actualice G1 con las nuevas series. Quite el mapa de valores asignado a x3

15
Ejercicio 5: Riesgo
A partir de la información en datos3.xls, realice lo siguiente:
1. Cree una serie que contenga la media móvil de 3 periodos de la serie embi
2. Cree una serie auto actualizable que contenga la serie rin en soles
3. Cree un vector columna de 3x1 y guarde la media, mediana y curtosis de tc
4. Guarde las matrices de covarianzas y de correlaciones de las series embi
5. Cree una dummy que se tome el valor de 1 cada vez que un indicador de riesgo
país (embi, embila, embibra) supere los 1000 puntos básicos y 0 de lo contrario
6. Cree un mapa de valores que asigne las siguientes etiquetas: 1 “Alto riesgo” 0
“Bajo riesgo”
7. Cree una serie textual que diga “Alto riesgo” si la dummy está activa (es decir,
toma el valor de 1) y “Bajo riesgo” de lo contrario
dummy o dicotómica es una serie que solo toma dos valores, 0 y 1 (y NA)

16
Ejercicio 6: Proyecciones
• A partir de la información en datos4.wf1 cree los siguientes objetos:
• Tabla RPTA que guarde los siguientes textos en las primeras 5 columnas de la fila 2: “Variable”, “TC
Promedio”, “N° meses TC<0”, “03/2016” y “12/2010”
• Serie auto actualizable PBI y calcule el pbi según el método del gasto
• Scalar que guarde el número de observaciones en el workfile
• A partir de la serie CONS, cree los siguientes objetos:
• Serie TC_CONS que guarde la tasa de crecimiento mensual
• Serie TCNEG_CONS que tome el valor de 1 si la tasa es negativa
• Scalar TCAV_CONS que guarde la tasa de crecimiento promedio
• Scalar LAST_CONS que guarde el último valor de la serie
• Amplíe la estructura del workfile hasta diciembre del 2010.
• Complete los valores de la serie CONS para el período 04/2006 hasta 12/2010. Asuma que se
mantuvo la tasa de crecimiento promedio a partir del último valor.
• Complete la tabla RPTA con la información sobre CONS en la fila 3.
• Reemplace el nombre de la serie CONS por la variable %x y la fila 3 por la variable !row.

17
EQUATION
• EQUATION: guarda la estimación de un modelo. Permite sobrescribir.
• Declara objeto equation llamado nequation
• method método de estimación. Por ejemplo: ls (least squares) arch cointreg
• var_dep nombre de la serie que contiene la variable dependiente del modelo
• c incluir si el modelo incluye término constante
• var_indep lista de series que contienen las variables independientes del modelo
equation nequation.method var_dep c var_indep
• Vistas:
• output vista por defecto del objeto equation
• cinterval .90 .95 .99 intervalos de confianza de los coeficientes a 3 niveles de confianza
• wald rest1, rest2 prueba hipótesis lineales y no lineales sobre coeficientes
¿el primer coeficiente es igual a 2? nequation.wald c(1)=2
• Procedimientos:
• fit nserie guarda la predicción estática del modelo en una serie llamada nserie
• forecast nserie guarda la predicción dinámica del modelo en una serie llamada nserie

18
EQUATION (vista .output)
• Funciones. Extraen los siguientes valores:
• @coef(3) 0.127715
• coeficiente estimado de la tercera variable

• @stderrs(3) 0.232938
• error estándar del coeficiente de la tercera
variable

• @tstats(3) 0.548278
• estadístico t de la H0 de no significancia
(coeficiente=0) de la tercera variable

• @pval(3) 0.5843
• p-value de H0 de no significancia de la tercera
variable.
• Si es menor a 0.05 se rechaza H0 con 95% de
confianza – H0: que el coeficiente sea igual a 0

19
Ejercicio 7: Proceso autoregresivo
Se dice que la serie 𝑦𝑡 sigue un proceso autoregresivo cuando: 𝑦𝑡 = 𝑓 𝑦𝑡−1 , 𝑦𝑡−2 , … , 𝑦0
Si esta función puede ser expresada de modo lineal: 𝑦𝑡 = 𝑐 + 𝜌1 𝑦𝑡−1 + ⋯ + 𝜌𝑝 𝑦𝑡−𝑝 + 𝜖𝑡
se denomina modelo autoregresivo de orden p, o también AR(p)
El estimador de MCO de este modelo solo es adecuado para tamaños de muestra grandes

• En un workfile mensual del 2000 al 2016 cree la siguiente serie AR(1)

𝑦𝑡 = 1 + 0.5𝑦𝑡−1 − 0.1𝑦𝑡−2 + 𝜖𝑡 donde 𝑦00:01 = 𝑦00:02 = 0 y 𝜖~𝑁(0,1)
• Con una muestra del 2000 al 2010 estime el siguiente modelo:
𝑦𝑡 = 𝛽0 + 𝛽1 𝑦𝑡−1 + 𝛽2 𝑦𝑡−2
• Prediga los valores de la serie 𝑦𝑡 para el 2011 al 2016 de las siguientes maneras:
• Asuma que el último valor conocido es diciembre del 2010 (predicción dinámica)
• Asuma que para cada mes conoce los dos meses previos (predicción estática)
• Muestre en un gráfico las series predichas y la serie efectiva por separado

20