Tip:
Highlight text to annotate it
X
bueno vamo ha realizar el modelo
econométrico ARIMA
Que tenemos aquí en el escritorio
Vamos a realizar con el EVIEWS 6
tenemos y abrimos archivo abrir
EVIEWS archivo de trabajo
en el escritorio ARIMA
y aceptar, vamos a trabajar con una variable
La variable es el ipc, un modelo ARIMA se realiza con una sola variable
y vamos a seguir la metodología de BOX JEKINGS
la metodología de BOX JEKING nos dice que debemos seguir 6 pasos. Lo primero es la prueba de estacionariedad
al mismo tiempo vamos a seguir
el trabajo que se debe realizar
series de tiempo
modelos ARIMA
para realizar el trabajo debemos tener una breve introducción
de lo que queremos realizar, por ejemplo este trabajo...
este trabajo fue realizado
el año pasado sobre la emision monetaria
se explica un poco sola teoría
para nuestro caso
sobre el ipc habría que explicar un poco sobre él índice de precio al
consumidor cual fue el comportamiento
del período 2005 al periodo 2009
el primer paso es la prueba de estacionariedad
previamente
podemos observar lo siguiente, si tiene un modelo
el test de DIKEY FULLER AUMENTADO
esta es la ecuación
esta es la hipótesis de nula
donde dice que la serie no es estacionaria, por lo tanto la hipótesis alterna
la serie nos dice que es estacionaria
tenemos el ipc
podemos tenerlo como grafico
vemos que el comportamiento del ipc ha sido creciente
el periodo 2009, a inicios del 2009 ha tenido crecimiento
un crecimiento
menor al que siguió el 2005 al 2008
para realizar el test de DIKEY FULLER vamos a view test de raíz unitaria en niveles
la probabilidad de 0.89 dicha probabilidad no es menor al 5%
por lo tanto no rechazo la hipótesis nula
por lo tanto la serie
no es estacionaria
para corregir vamos aplicamos primeras diferencias. vamos a ser otra vez
el test de DIKEY FULLER
view test de raiz unitaria en primeras diferencias
todo es estadísticamente significativo rechaso la hipótesis de nula
por lo tanto decimos que la serie es estacionaria
el índice de precios al consumidor es
es estacionaria en primeras diferencias, en otras palabras el IPC es I(1)
para guardar esta tabla congelar y nombrar
como
estacionariedad de la variable IPC
por defecto tabla 1
el siguiente paso
ya realizamos el tes de raiz unitaria y nos dice que la serie es estacionaria en primeras
diferencias, paso dos
el correlograma
entonces realizamos el corelograma ingresamos a la base ipc
view
correlograma
la serie es estacionaria en primeras diferencias, por lo tanto corremos
el correlograma en primeras diferencias y aceptamos
aquí identificamos el modelo autorregresivo
para eso podemos ver
la lectura del correlograma como se ve aqui
proceso convergente de la
FAC (función de autocorrelacion)
la FAC
proceso abrupto
de la
función de actuación parcial
cuando esto es convergente se llama autorregresivo
de orden uno, porque después del primer
rezago se cae
abruptamente
en este caso de la misma manera
encontramos aqui
que después del primer rezago se cae abruptamente por lo tanto seria un AR(1)
vamos a correr el modelo MCO (mínimos cuadrados ordinarios)
D(IPC) porque la variable está en primeras diferencias, nos muestra que es estacionaria
la constante
y el proceso autorregresivo de orden uno
y aquí podemos identificar
que también hay un proceso convergente pero, después
del rezago 7
despues del rezago 7, hay una
caída abrupta
por tanto esto seria MA(7)
y vamos a correr el modelo, entonces el modelo es autoregresivo, integrado, y de media movil
y a esto lo lamamos modelo ARIMA
porque tiene los tres componentes
autoregresivo y media móvil
con este modelo vamos a trabajar y
vamos a nombrar
ecuación uno
ya tengo la ecuación uno, el correlograma lo vamos
a congelar, como tabla dos
ahora vamos a trabajar en el modelo
entonces hemos hecho el test de raiz unitaria
tienen que poner su título
explicar un poco que es el test de raiz unitaria poner la fórmula y plantear
la hipótesis
luego
lo que se debe hacer es
copiar los resultados, por ejemplo en esta tabla copiar los resultados
de nosotros es
esta tabla
y hay que interpretar en un parrafo, rechazar o aceptar la hipótesis nula
éste es de manera grafica
hay dos casos
el primer gráfico la serie
no es estacionaria
ha vuelto a ser aquí el método en primeras diferencias, la serie aquí sí
es estacionario
luego realizamos el correlograma
y de nosotros es este el correlograma
y hay que interpretar, por ejemplo aquí realizaron un proceso autorregresivo AR(2) AR (12) MA(2)
nosotros identificamos un proceso autorregresivo AR(1) y MA(7)
y el modelo es esto
este es el modelo
y el modelo hay que interpretar
el modelo hay que interpretar, y vamos a ver eso ahora
después de tener un modelo adecuado, debemos revizar que
es que cumpla los supuestos de
ruido blanco
de autocorrelacion
y de no existencia de heterocedasticidad condicionada
entonces veamos
trabajamos con la ecuación 1
y vamos a view
test de residuos, correlograma Q estadisticos
con esto
la prueba de ruido blanco
por defecto
hemos puesto 24 rezagos
está es la autocorrelacion
las frecuencias, esta es la FAP, las frecuencias, AC y la FAP
otra cosa es pasión
este es el estadistico, y la probabilidad,
la hipótesis nula del ruido blanco
es que los errores son ruiido blanco
y después la alterna
los errores no son ruido blanco
entonces podemos observar aquí
éste es menor al 5%, esta probabilidad no es menor al 5%, por lo tanto
por lo tanto no rechazamos la hipotesis nula
es ruido blanco, aqui igual
esto no es menor al 5%
por tanto nos rechazamos la hipótesis nula
los errores son sido blanco
de todo este conjunto de datos
la mayoría son ruido blanco
excepto este 0.03
en la práctica
aceptamos la hipótesis nula
los errores de modelo son ruido blanco
y eso lo van a copiar aquí, para luego interpretar
planteando la hipotesis
y en un párrafo la interpretación correspondiente
esto lo voy, lo congelamos, y le damos un nombre tabla tres
volvemos al modelos presionar en STATS, ahora hacemos la prueba de heteroscedasticiadad condicionada
VIEW, residual test
correlograma de residuos al cuadrado
con 28 rezagos
aquí vamos observar, y de la misma manera que realizamos anteriormente
cuál es la hipótesis de una
la hipotesius nula es : NO EXISTE HETEROSCEDASTICIDAD CONDICIONADA y la Hipótesis alterna
EXISTE HETEROSCEDASTICIDAD CONDICIONADA
En el rezago tres la probabilidad es 0.135
no es menor al 5%
no es estadísticamente significativo no rechazo la hipotesis nula
por lo tanto NO EXISTE HETEROSCEDASTICIDAD CONDICIONADA
en el rezago cuatro la probabilidad
no es menor al 5%
no es estadísticamente significativo
no se rechaza la hipótesis nula por lo tanto
NO EXISTE HETEROSCEDASTICIDAD CONDICIONADA por tanto
vemos que todos
rezagos
no son significativos
entonces no hay problema de HETEROCEDASTICIDAD CONDICIONADA
Este modelo está de adecuado, lo congelo y le doy un nombre
como tabla 4
hasta ahí hemos comprobado todos puestos ahora vamos a pasar al
ruido blanco
me refiero al ***óstico
tengo una serie del 2005 al 2009
y pronosticamos para el 2010
hasta junio del 2010
como base del comportamiento del ipc
hacemos click en rango
doble click
dato inicial, es el primer datos
el ultimo dato, cambiamos al 2010
el 2010
hasta 06 junio, presionamos aceptar
el tamaño del rango
a cambiado
entramos a la ecuación
para que este como ecuación hacer click en STATS
vamos a pronosticar esta ecuación
la opción FORECAST
y el ***óstico LO NOMBRAMOS con IPCF
F de forecast
el ***óstico de IPC
y vamos ampliar, es decir pronosticamos solamente del 2009
del 2009 diciembre
hasta 2010 junio 06, y OK
vamos y a la base de datos
IPCF es el pronosticó que realizamos
ipc es la serie original
entramos con enter
y tenemos aquí
hasta el 2002 teníamos este comportamiento
116.14..
el 2010
mes 1 mes dos meses
tres cuatro cinco seis o los ***ósticos
vamos a graficar en VIEW grafica de linea
pues básicamente tenemos
en color rojo el ipc
y en color azul al ***óstico
eso seria
la forma de pronosticar una serie, esto lo vamos a congelar y
darle un nombre
gráfica 01, y aceptar
algo mas
que se debe añadir, vamos a escribir
lo que faltaba en este documento
es la forma de escribir
por ejemplo
estimación de modelo identificada
este cuadrito se va al Anexo
que sería esto
entonces la forma de escribir un modelo econométrico es como sigue
tenemos aquí una hoja de word
por ejemplo
vamos a copiar nuestros resultados
esta tablita que tenemos acá
lo vamos a copiar
con esto estamos trabajando
por ejemplo
el cociente b0 0.0006 1
b1 es 0. 39
quesería el componente AR(1)
y es la forma de explicar es IPC t-1
y MA(7)
entonces tenemos que anotar e t-7
ésto es MA
y debaj se escribe los estadísticos t
3. 36 para b0
3 .24 para AR1
para MA7 33. 20
también debemos anotar las probabilidades
y para MA 0.0000
hay que escribir el R cuadrado
Durbin Watson se acerca a 2 no existe problema de autocorrelacion
la probabilidad de F es significativo se rechaza la hipótesis nula
todas estas variables
explican a nuestro modelo que es el IPC
entonces en resumen
esta forma de anotar
y eso remplazan aqui
con eso
lo que tienen que hacer es aumentar conclusiones
y este formato de trabajo
un trabajo depende mucho de cómo se va a interpretar, este es un pequeño
ejemplo
si tienen una mejor interpretación también se interpreta por ejemplo
0.39
a eso se llama efecto marginal
betha cero betha 1 ...son efectos marginales
y eso tiene una interpretación por ejemplo a medida que X aumente en una unidad Y aumenta en
betha unidades
como un modelo lineal simple, como un modelo lineal general
ahí terminaría el trabajo
gracias