Eviews

5 de octubre de 2016
Lectura de 30 minutos

EViews
Los documentos de EViews (también conocidos como "archivos de trabajo") son archivos que contienen diferentes objetos (que
contener datos). A diferencia de Microsoft Word o Excel, EViews no abre un documento en blanco al
lanzar. En cambio, el usuario siempre debe especificar la estructura (o frecuencia) del archivo, un rango para
los datos y una muestra. Un archivo de trabajo está compuesto por uno o más archivos de página.

EViews permite al usuario crear un archivo de trabajo vacío (es decir, uno sin datos) y crear un
archivo de trabajo importando datos de otro programa.

Hay tres tipos de estructuras de archivos de trabajo disponibles en EViews:

1. Frecuencia datada/regular (para datos de series temporales)

2. No estructurado/sin fecha (principalmente para datos transversales)
3. Panel equilibrado (para datos de panel).

Un archivo de trabajo puede tener múltiples archivos de página, cada uno de un tipo específico (posiblemente diferente). Sin embargo,
los objetos de series en un archivo de página específico deben tener la misma estructura (frecuencia).

Crear un archivo de trabajo para datos de series temporales anuales implica 4 pasos: (1) especificar el archivo de trabajo
estructura como "fecha - frecuencia regular", (2) especificar la frecuencia de los datos como anual, (3)
seleccionando una fecha de inicio y una fecha de finalización, y (4) nombrando su archivo de trabajo. El cuarto paso es opcional.

Después de crear un archivo de trabajo, EViews creará automáticamente dos (2) objetos de serie. Por favor identifique
(es decir, verifica) estos dos objetos en la siguiente lista.

El rango del archivo de trabajo permite hasta 140 observaciones, mientras que la muestra actual (o activa)
permite un máximo de 100 observaciones.

c (para el vector de coeficientes estimados)

resid (para residuos)

Note que EViews detecta automáticamente que los datos de origen eran una serie temporal. Elija el pre-
rango definido llamado “Bahamas” para importar la serie económica relevante para Las Bahamas y luego
haga clic en Siguiente.

EViews luego te pide que ingreses información sobre cada una de las columnas de datos. Desde el encabezado
escriba, seleccione "Nombres en la primera línea" para asegurarse de que los nombres de las variables aparecerán en la parte superior de
cada columna.
Como último paso, EViews te pregunta cómo te gustaría importar los datos; selecciona "Crear nueva página"
y haga clic en Finalizar. Su archivo de trabajo debería aparecer ahora con un archivo de página que contiene datos sobre el
Bahamas

EViews también permite al usuario importar datos simplemente copiando datos de una hoja de cálculo existente.
(en Microsoft Excel u otras aplicaciones) y pegándolo en un archivo de trabajo existente. Usando los pasos
en la tabla a continuación, trabaja en EViews para descubrir la manera correcta de hacerlo. Luego coloca los pasos
a continuación en el orden correcto.

Agregar datos creando un nuevo archivo de paginación

Los archivos de trabajo de EViews pueden contener más de una página. Para agregar una página, haga clic en la pestaña "Nueva Página" en el
abajo. Aparece un menú desplegable que indica una variedad de formas de crear una nueva página:

Una forma de crear una nueva página es cargando un nuevo archivo de datos en la página. Vamos a añadir a nuestro archivo el
las mismas variables macroeconómicas para otro país, esta vez para Jamaica. En la pestaña Nueva Página,
haga clic en Cargar página de archivo de trabajo... y seleccione el archivo de Excel del Caribe.

La caja de lectura de Excel se abrirá nuevamente. Seleccione Jamaica como el rango predefinido, especificando el
estructura (o frecuencia) de tus datos en la nueva página, y luego haz clic en Finalizar para cargar los datos.

Copiar y pegar datos en una nueva página

Continuemos construyendo nuestro archivo de trabajo importando datos para la República Dominicana. Otro
una forma de agregar datos a una nueva página es copiando los datos de Microsoft Excel (o de otro programa)
y seleccionando Pegar desde el portapapeles como opción en la pestaña Nueva Página.

Agregar datos a un archivo de página en blanco

Por último, añadamos algunos datos de Trinidad y Tobago. Otra forma de añadir una nueva página es desde
rascar. Haga clic en la pestaña Nueva Página y seleccione Especificar Frecuencia/Rango...

Similar a cuando creaste el archivo de trabajo original, especifica el tipo de estructura, el rango de datos y
nombre de la página (por ejemplo, “trin”). Ahora tienes una página en blanco para este país.

Abre el archivo del Caribe y copia y pega los datos en la nueva página 'trin'.

Nota: Múltiples Series en un Archivo de Páginas

Tales comparaciones entre países, como en la pregunta anterior, se pueden hacer más fácilmente al
teniendo los datos de nuestros cuatro países en un solo archivo. Las series en el mismo archivo pueden ser
combinados para crear objetos "grupo"

series
El objeto serie es el principal objeto de datos en EViews, representado por un ícono amarillo con un gráfico.
Por naturaleza, un objeto de serie contiene una columna de datos (objetos con más de una serie son
llamados “grupos”). Los objetos Serie en el mismo archivo de paginación tendrán el mismo rango, que siempre es
mostradas en la columna más a la izquierda. Esta columna muestra las fechas asociadas con cada observación en
el caso de los datos de series temporales o el número de observación en el caso de datos transversales.

the following are valid ways to create a series

Seleccione Objeto → Nuevo Objeto en el menú principal y elija “Serie”. En el comando
ventana emitiendo el comando “serie”.
Transformando una serie existente en la ventana de comandos utilizando generate (genr)
comando (para obtener la primera diferencia, logaritmo, etc.)
Transformando una serie existente utilizando funciones de EViews, como Generar Serie por
Ecuación a través del menú rápido.
Transformando una serie existente utilizando condiciones de muestreo (Rápido → Generar Serie,
Generar Serie por Ecuación), como una condición IF.

Las dos primeras opciones crearán series vacías con la misma estructura de archivo de trabajo que las otras series.
en ese archivo de página. Las últimas tres opciones son formas de transformar series existentes utilizando ecuaciones.
Todos implican realizar una operación de EViews en una serie en su archivo de trabajo actual para crear un
nueva serie. En particular, la última opción te permite crear una nueva serie (transformada) con
restricciones de muestra.

Después de hacer doble clic en una serie, la serie se abrirá en la vista de hoja de cálculo estándar de EView.
En la parte superior de la ventana, notarás los elementos del menú asociados con el objeto de la serie, cada uno
uno que te permite realizar análisis específicos de la serie.

Ver una serie como un gráfico

Haga clic en el botón Ver en la parte superior de la ventana para producir un gráfico del crecimiento del PIB real utilizando el
Elemento de menú Gráfico.

Aparecerá un cuadro de diálogo de Opciones de Gráfica pidiéndote que especifiques algunos elementos para tu gráfico.

En la sección de Opciones, selecciona el tipo de página Básica. En la sección de Tipo de gráfico, selecciona Gráfico básico.
de la categoría General.

Ahora crea un gráfico de líneas. Selecciona Línea y Símbolo de la categoría Específica. Deja los Detalles.
configurando según las opciones predeterminadas y haciendo clic en Aceptar.

Aparece un nuevo gráfico que muestra el cambio porcentual en el PIB real (base anual). Observe que en la parte inferior
En el gráfico hay una barra deslizante que te permite restringir la muestra bajo consideración.
(Aprovechando, cualquier cambio en la muestra hecho usando el control deslizante no afectará al resto de la
archivo de trabajo a menos que hagas clic derecho y selecciones "Establecer como muestra de archivo de trabajo".

Visualización de estadísticas básicas resumidas

Las estadísticas resumidas básicas, incluidas las distribuciones de frecuencias, se pueden producir en EViews utilizando Ver →
Estadísticas Descriptivas y Pruebas.
La vista de la tabla de estadísticas muestra estadísticas descriptivas para la serie en forma tabular, mientras que el
La vista de histograma y estadísticas proporciona estadísticas resumen útiles y un histograma de la serie.

Grupo
Los grupos te ayudan a trabajar con una colección de series. Un grupo es una lista de nombres de series (y
expresiones matemáticas potencialmente) que proporciona acceso a todos los datos en esa lista. Una vez que tú
crea un Objeto Grupo, puedes usar el nombre del grupo en muchos comandos de EViews para referirte a todos los
series contenidas en ese grupo. Tenga en cuenta que un grupo es un feed "en vivo" y NO es una copia de cada
series individuales. Esto significa que si los datos en cualquiera de las series cambian, estos cambios se verán
se refleje en el grupo con el que está asociado. Por último, tenga en cuenta que un objeto de grupo puede ser
creado sin que tenga ninguna serie (es decir, se permiten grupos vacíos). Por eso la última
la afirmación es falsa.

¿Se pueden usar los siguientes comandos para crear un grupo? Selecciona todos los que apliquen.

aplicar
Selecciona Objeto → Nuevo Objeto en el menú principal y elige "Grupo."

Resalta la serie que deseas agrupar, haz clic derecho y selecciona Abrir → como Grupo.

En la ventana de comandos, usa el comando group.

Incluso después de crear un grupo, puedes agregar más series al grupo. Para hacerlo, haz clic en Ver → Grupo
Miembros. Luego puedes editar la ventana para agregar más series. Haciendo clic en el botón Actualizar Grupo
aplica tus cambios.

Crear un grupo
Abre tu archivo de trabajo del Caribe. Ahora crea un grupo que consista en jam_rgdp y dom_rgdp.

Para hacerlo, selecciona Objeto → Nuevo Objeto en el menú principal. En el cuadro Nuevo Objeto, selecciona
Grupo, mantén el nombre predeterminado para el objeto (grupo01) y presiona Aceptar. La ventana de Lista de Series
ahora aparecerá. Aquí, eliges qué series incluir en el grupo. Escribe los nombres de las series
quieres ser incluido en el grupo separado por espacios y luego haz clic en Aceptar.

También hay otras dos formas de crear un grupo:

1) Manteniendo presionada la tecla Ctrl, haga clic en la serie que desea agrupar, haga clic derecho y seleccione:
Abrir → como Grupo.

2) Escribe en la ventana de comandos: group groupname jam_gdp dom_gdp, y presiona Enter. Aquí,
group is the EViews command to create a group, and groupname is the name you have decided to
usar.

Objeto de grupo: Ver menú

Así como para una serie individual, el menú Ver de un grupo te permite realizar una serie de
procedimientos estadísticos, graficar la serie en un grupo de diferentes maneras y calcular el resumen
estadísticas.

Abre tu grupo01 recién creado y haz clic en Ver → Gráfico. En el cuadro de diálogo de Opciones de Gráfico,
selecciona el tipo de página Básico y elige Gráfico básico en la sección Tipo de gráfico. Selecciona Línea &
Símbolo de la categoría Específica y Gráfico Único en Detalles/Múltiples Series. Haga clic en Aceptar.

Nota que EViews ha graficado los datos brutos de ambas series en un solo marco. También puedes cambiar
la vista predeterminada debe ser datos diferenciados, cambio porcentual, etc.

usando el modo 'Editar' de EViews, interpolando una serie, y

ajustando una serie.
Editar, Interpolar y Ajustar una Serie

Como se describe en la conferencia, editar una serie en EViews es fácil. Abre cualquier serie y haz clic en el
Edite +/- la pestaña para activar el "modo de edición". Esto le permite agregar datos a la serie o cambiar.
valores existentes en la serie.

Similar a Excel, puedes ingresar datos manualmente utilizando los operadores que se muestran a continuación:
Interpolando un valor
Mejor aún, hagamos que EViews interpole los datos utilizando cualquiera de los métodos de interpolación integrados.
procedimientos. EViews tiene símbolos especiales para varias técnicas de interpolación, algunos de los cuales fueron
discusión en la sesión anterior:

Ajustando una serie

Una herramienta útil de EViews no discutida en la sesión anterior es el modo Ajustar. Series
El modo de ajuste te permite comparar los datos de la serie original con cualquier cambio que puedas hacer.
A diferencia del modo Edición, los cambios en el modo Ajuste no son permanentes y se pueden revertir fácilmente.

Haga clic en el botón Ajustar +/- en la barra de herramientas de Series. EViews añadirá columnas adicionales a la
vista de hoja de cálculo: una columna "No Ajustada" que contiene datos antes de cualquier ajuste, una columna
que detecta el cambio en el nuevo valor a partir de los datos no ajustados (antes de que ingresaras Ajustar
modo), y uno que detecta el porcentaje de diferencia.

Muestra
el usuario puede cambiar la muestra en consideración utilizando declaraciones "smpl". Hay un número
de funciones útiles @ para ayudarte a definir la muestra activa más fácilmente. Algunos ejemplos de tales
@funciones, así como una descripción de las declaraciones, se enumeran en el cuadro a continuación:
crear una ecuación en EViews
Seleccione Objeto → Nuevo Objeto en el menú principal y elija Ecuación.

Destaca la serie que deseas utilizar para estimar la ecuación, haz clic derecho y selecciona "Abrir" y
entonces "como Ecuación...".

En la ventana de comandos, utilizando el comando de ecuación.

Usando el menú rápido y seleccionando Estimar Ecuación.

serie de autos
lo cual será útil en las próximas sesiones sobre objetos de ecuación y regresión. Serie automática
permitir al usuario crear funciones de series "sobre la marcha" y puede ser útil para mantener tu
archivo de trabajo parsimonioso (es decir, no tener demasiados objetos de serie).
EViews te permite trabajar con expresiones (funciones de series existentes) directamente, sin
tener que crear y guardar nuevas series.

Usando Auto Series en EViews

Anteriormente, creamos nuevas series para Las Bahamas y Jamaica basadas en la diferencia logarítmica de
sus PIB reales. En su lugar, podríamos haber utilizado una serie automática, a saber: mostrar d(log(bah_rgdp)).
Las series automáticas son bastante útiles en las regresiones (lo que discutiremos aquí, pero abordaremos más en detalle)
más adelante).

Utilicemos series automáticas para examinar la relación entre la inflación en Jamaica y las Bahamas.
Selecciona tanto bah_cpi_eop como jam_cpi_eop (Usa la tecla Ctrl para seleccionar ambos) y haz doble clic para
Ecuación abierta.

En la ventana de ecuaciones, transforma ambas variables del cpi utilizando la diferencia logarítmica. Bajo Estimación
ajustes, selecciona LS para el tipo de regresión e incluye todo el período de muestra, 1980 2014. Haz clic
Está bien.

Las siguientes afirmaciones son verdaderas sobre los objetos de ecuación.

Seleccione todo lo que aplique:

El objeto de ecuación es un objeto de estimación de una sola ecuación. El objeto de ecuación contiene más
que una serie/variable. Al igual que un objeto de grupo, el objeto de ecuación es una colección de objetos de serie.
que representan las relaciones entre series. Abrir un objeto de ecuación revelará lo más
resultados recientes de la estimación.

las siguientes son maneras de crear una ecuación en

¿EViews? Seleccione todas las que apliquen:

Selecciona Objeto → Nuevo Objeto en el menú principal y elige Ecuación. Resalta la serie que
desea estimar la ecuación con, clic derecho y seleccione “Abrir” y luego “como Ecuación…”. En
la ventana de comandos, utilizando el comando de ecuación. Usando el menú rápido y seleccionando
Ecuación de estimación.

¿Qué tres cosas necesitas especificar en la Ecuación?

¿cuadro de diálogo?

La especificación de la ecuación. El método de estimación. La muestra.

Sesión 2: Objeto de Ecuación: La Representación Interna de una Ecuación

en EViews

El Objeto Ecuación: Trabajando con Ecuaciones

Abre tu archivo de trabajo del Caribe. Como probablemente sepas, la tasa de inflación para un período específico
se puede calcular utilizando el cambio porcentual en el IPC. Vamos a crear una nueva serie que calcule
el cambio interanual en el IPC.
Por ejemplo, en el caso de Jamaica, crea una nueva variable llamada jam_infl = (jam_cpi_eop-
jam_cpi_eop(-1))/jam_cpi_eop(-1), utilizando la función Genr, que se encuentra en la parte superior de la
menú predeterminado de EViews.

Recuerde que la notación “(-1)” en EViews significa el período anterior (o primer “rezago”).

Inflación y desempleo en Atlantis

Ahora vamos a estimar una ecuación de regresión utilizando una serie de inflación de un nuevo país (ficticio).
llamada Atlántida. Importe los datos de Atlántida del archivo de Excel del Caribe, utilizaremos el
variable ‘atl_infl’ para estimar una curva de Phillips.

Como saben, la Curva de Philips se refiere a la relación histórica entre el desempleo y

la inflación en una economía. La relación es típicamente negativa; es decir, en promedio, más alto
Las tasas de desempleo han estado (históricamente al menos) asociadas con tasas más bajas de inflación.

Desde el menú principal, selecciona Rápido → Estimar Ecuación y haz clic en Aceptar. El cuadro de ecuación aparecerá
ahora aparece.

En el cuadro de especificación de la ecuación, escribe atl_infl c atl_unemp_rate, donde el primer término, a saber
atl_infl es la variable dependiente, c es la constante (un vector de unos), y atl_unemp_rate es la
variable independiente.

Sesión 3: Objeto de Ecuación: Permitiendo Variables Adicionales, Incluyendo

Dinámicas
LR = SR/(1 - beta_L(rdp))

El Objeto Ecuación: Analizando Resultados de las Salidas de la Ecuación

Examinemos la salida de nuestra regresión estimada con mayor profundidad. Considera la salida
debajo:
Como se explicó en las sesiones anteriores, el Panel 1 proporciona datos sobre las entradas de regresión; el Panel 2
proporciona los coeficientes estimados junto con algunas estadísticas que te permiten determinar
su significancia, mientras que el Panel 3 proporciona estadísticas resumidas para la regresión estimada.

For Panel 1:

Para el Panel 2:
Para el Panel 3:
El R² de esta regresión simple explica alrededor de una quinta parte de la varianza en la tasa de inflación. Otros
se podrían agregar variables para aumentar el poder explicativo.
El coeficiente de la tasa de desempleo de este período cae a -1.9561. Esto implica que un 1%
un aumento en el desempleo se asocia con una disminución de aproximadamente el 2% en la inflación (en promedio). Nota
que el coeficiente de la tasa de desempleo rezagada es positivo y significativo. Incluirlo en
la regresión ayuda a especificar mejor el coeficiente de la tasa de desempleo actual.

Como se muestra en la explicación a la Pregunta 2.42, la estadística de Durbin Watson de la regresión fue
1.95. Como regla general, una estadística de DW sustancialmente menor que 2 es generalmente un signo de positivo
autocorrelación.

Puedes buscar fácilmente la autocorrelación en los residuos de una estimación utilizando varios métodos.
¿Cuáles son algunas formas de investigar la correlación serial? Seleccione todas las que apliquen:

Utilice Proc→Hacer serie residual para capturar los residuales de la regresión más reciente
y guárdalos como una nueva serie.
Después de ejecutar su regresión, seleccione Ver→Actual, Residual Ajustado→Actual, Ajustado
Tabla residual o real, gráfico de residuos ajustados, haga clic en Congelar y luego haga clic en Nombre para
guarda esta tabla o gráfico.
Después de ejecutar tu regresión, selecciona Ver→ Diagnósticos de residuos→ Correlación serial
Prueba LM, y verifique si se puede rechazar la hipótesis nula o no.
Después de realizar una regresión, puedes examinar los residuos ajustados haciendo una nueva serie de residuos.
o ver la serie residual en una tabla o gráfico. Tenga en cuenta que los residuos representarán el
diferencia entre los valores reales de la variable dependiente y el valor ajustado creado por
tu regresión para cada período.

Mientras que la serie resid mostrará los residuos posteriores a la regresión, tenga en cuenta que esta serie cambia con
tu estimación más reciente. Por lo tanto, es aconsejable usar Proc→Hacer Serie Residual para guardar la
residuos de regresiones particulares (para pruebas futuras, por ejemplo).

Formalmente, un fracaso en rechazar la hipótesis nula de no autocorrelación en un LM de correlación serial

las pruebas también sugieren que los residuales no están correlacionados seriamente. Finalmente, una estadística de Durbin-Watson
menos de 2 sugiere alguna correlación residual (aunque es importante usar diagnósticos residuales)
para probar formalmente si esta correlación es significativa). Sin embargo, una estadística de DW menor que 1 es
fuerte evidencia de autocorrelación positiva.

Detección de autocorrelación
Para investigar, examine los residuos de la regresión seleccionando Ver → Real, Ajustado,
Residual → Graph. Note that because the DW statistic is close to 2 in this case, the serial
la correlación, si existe, será difícil de ver.
Al observar el gráfico, no es evidente en qué período es responsable de causar la estadística DW.
ser menos de 2. Por lo tanto, incluir una variable ficticia (como se hizo en la sesión anterior) es poco probable
abordar el problema.

Añadiendo dinámica
Intentemos añadir un rezago de la variable dependiente al lado derecho. Tenga en cuenta que esto permitirá...
crea una ecuación dinámica, que conduzca a problemas específicos sobre cómo generar pronósticos a partir de
ecuación. Por ejemplo, ¿usamos el valor pronosticado del rezago para predecir el nivel actual de
inflación o utilizamos (suponiendo que esté disponible) el valor observado en el período anterior.

Pero primero veamos si la inflación del periodo pasado puede ayudar a explicar la inflación en el periodo actual.
Estime una regresión de múltiples términos incluyendo la variable dependiente rezagada (inflación) para
Atlántida.

No, la variable dependiente rezagada es insignificante y su inclusión en realidad causa el DW

la estadística disminuirá marginalmente a 1.87.

Prueba residual formal: Prueba de correlación serial LM

La estadística DW no siempre es una estadística confiable para probar la hipótesis nula de que no
autocorrelación en los residuos, especialmente si tienes una variable dependiente rezagada en el ajuste
regresión. Una alternativa más general es probar la ausencia de autocorrelación residual utilizando
el test LM de Breusch-Godfrey.

Realicemos la prueba LM en un modelo que incluye una constante, la tasa de desempleo, rezagada.
desempleo y la inflación rezagada para Atlantis.

Como se realizó en la conferencia, estima tu regresión, luego selecciona Ver → Diagnósticos de Residuales
→ Prueba LM de Correlación Serial. Asegúrese de permitir 3 rezagos en el cálculo de la estadística.

La hipótesis nula del Breusch Godfrey es que no hay correlación serial. Ejecutando la prueba con 3 rezagos,
produce los siguientes resultados.
Sesión 4: Pronóstico básico utilizando el objeto de ecuación, Parte 1
Una previsión dentro de la muestra utiliza un subconjunto de los datos disponibles para prever valores fuera de la
período de estimación y compararlos con los resultados conocidos o reales correspondientes. Esto es
hecho para evaluar la capacidad del modelo para predecir valores conocidos. Por ejemplo, una muestra interna
la previsión de 1980 a 2015 podría utilizar datos de 1980 a 2012 para estimar el modelo. Usando esto
modelo, el pronosticador luego predeciría valores para 2013-2015 y compararía los valores pronosticados
a los valores realmente conocidos.

Una previsión fuera de muestra utiliza todos los datos disponibles en la muestra para estimar modelos.
el ejemplo anterior, la estimación se realizaría entre 1980 y 2015, y la(s) previsión(es) se
comenzó en 2016.

A diferencia de un pronóstico estático, que siempre utiliza el valor conocido (y por lo tanto libre de errores) de los datos
para prever el valor del próximo período, una previsión dinámica utiliza el valor pronosticado de la dependiente
variable para generar el siguiente valor predicho (y los valores predichos más adelante en la predicción
horizonte). Como típicamente habrá un error asociado con cada pronóstico, los errores probablemente
se acumulan (o se construyen sobre sí mismos) a medida que aumenta el horizonte de pronóstico.

El primer paso es restringir la muestra activa. A continuación, estima tu ecuación. Tercero, genera el
pronóstico y mientras se establece la muestra para estar fuera de la muestra activa. Por último, compara lo real
y residuos ajustados.

Como se explicó en la conferencia, el simulador de modelos es una herramienta de pronóstico generalizada que puede manejar
con modelos con muchas ecuaciones. Los valores obtenidos del simulador del modelo para 2012-14
(atl_infl_0) son los mismos que los obtenidos utilizando la pestaña de Pronóstico (atl_infl_od). Esto debería venir
no es una sorpresa que el simulador de EViews esté resolviendo la misma ecuación que utilizamos para prever en
preguntas anteriores.

crear escenarios alternativos utilizando EViews. Un escenario en EViews es una previsión (dinámica o estática)
condicional a un conjunto específico de supuestos respecto a las variables exógenas en el modelo.
Obviamente, la previsión base es un ejemplo de un escenario. EViews te permite definir cualquier
número de escenarios.

Módulo 3A: Propiedades Estadísticas de los Datos de Series Temporales >

Introducción a los Datos de Series Temporales > Sesión
Si z tiene una tendencia a la baja, entonces su media está cambiando (de hecho, disminuyendo) con el tiempo. Esto implica
que no es estacionario.

A medida que el tiempo avanza, todos los pdfs mostrados en el gráfico (hay uno para cada periodo t) parecen ser
centrado en cero. Por lo tanto, la media de Y no cambia. Sin embargo, la dispersión alrededor de cero
aumenta con t, ya que las pdfs se vuelven más planas a medida que aumenta el tiempo t (es decir, un número más pequeño de
las observaciones están cerca de la media cero). Así, la media permanece constante a lo largo del tiempo pero el
la varianza aumenta.

Debido a que las series temporales observadas son en realidad muestras finitas de procesos estocásticos infinitos, hay
siempre hay una posibilidad de que nunca identifiques correctamente el verdadero proceso estocástico. Lo que el
Los métodos y herramientas discutidos en este módulo le permitirán llegar a una conclusión informada.
adivina de qué se trata el proceso estocástico, lo que a su vez te permitirá producir un razonable
pronóstico para la serie temporal que se está analizando. Sin embargo, en algunos casos puede reducirse a
juicio, ya que podría no existir un modelo “mejor” de manera inequívoca.

Identificación de Datos de Series Temporales

Este proceso se puede caracterizar como un ARMA(2,1) ya que incluye 2 rezagos de la dependiente
variable y 1 rezago del término de perturbación.
El gráfico A es inconsistente con el modelo ARMA(2,1) en la pregunta 3.4 porque está centrado alrededor de
cero. El gráfico C es incompatible porque la serie temporal representada en C tiene solo valores negativos (el
El modelo ARMA(2,1) tiene un valor inicial cero y coeficientes positivos en los rezagos de y’s y
perturbaciones). Cabe señalar que el Gráfico D tiene una tendencia ascendente, lo cual es nuevamente inconsistente con el
proceso ARMA(2,1) estacionario especificado en Q3.4.

Mientras haya una correlación diferente de cero entre y y cualquiera de sus rezagos, y no puede ser ruido blanco.
Sin embargo, y puede ser estacionario o no estacionario, ya que no sabemos si la media,
la varianza o covarianza (correlaciones) cambia con el tiempo. Además, con el desfase uno dado
una correlación de 0.65, no podemos determinar si y es un MA(q) o ARMA(p,q). Los tres modelos pueden
produce una correlación de 0.65 en el primer rezago.

Una tendencia ascendente implica que la media está cambiando con el tiempo, por lo tanto y es no estacionaria y todo
de los procesos estacionarios (AR, ARMA y ruido blanco) pueden ser eliminados.

Herramientas para la Identificación, Función de Autocorrelación

el patrón común para un AR(1) como Variable yar, mientras que lo contrario es cierto para un
MA(1), es decir, la ACF caerá abruptamente después del rezago 1 mientras que la PACF disminuirá gradualmente.

La ACF de un AR(1) puro decae geométricamente, y por lo tanto la ACF en el rezago 1 es exactamente la
coeficiente autorregresivo (0.55), y en el rezago 2 es igual al cuadrado del autorregresivo
coeficiente (0.552)^2 = 0.3025.
Para un rezago, el PAC se define como el coeficiente estimado b1 de la siguiente regresión:

Para el proceso AR(1) teórico definido anteriormente para la Variable A, el coeficiente estimado debería
ser exactamente igual a 0.55. También sabemos que el PAC teórico de un AR(p) cae a cero después de
rezago p. En este caso, p 1, por lo tanto, la PAC en el rezago 2 debería ser igual a cero.

La salida de la regresión debe aparecer como se indica a continuación:

Estimar el PAC para un período equivale a realizar una regresión de A sobre su rezago de 1 período y tomar el
coeficiente estimado en el rezago como la PAC. Para el rezago PAC de 2 períodos, debes regredir A en su
rezagos de 1 periodo y 2 periodos, con el coeficiente estimado en el rezago de 2 periodos siendo el PAC en
dos lags.

Ten en cuenta que el AR(1) teórico debería tener un PAC de 2 períodos igual a cero, mientras que nuestro simulado
AR(1) tiene un PAC de 2 períodos que es pequeño pero aún estadísticamente significativo. Esto muestra que incluso
con un número relativamente grande de observaciones (500), una simulación de A no necesariamente
replicar el comportamiento del verdadero proceso estocástico subyacente. Un investigador que observa esto
las series temporales (sin conocer su verdadera naturaleza) podrían plausiblemente (pero incorrectamente) inferir que A es un
AR(2). Este ejemplo también sugiere cuán difícil puede ser inferir el verdadero proceso estocástico de
series temporales económicas actuales.

Sesión 4: Series de Tiempo Estacionarias: Estimación y Selección de Modelos

Supongamos que has estimado tres modelos MA para una serie dada Z, y has obtenido la
resultados siguientes:

MA(1): R2 = 0.852

MA(2): R2 = 0.854

MA(3): R2 = 0.855

Indica cuál de los siguientes podría explicar por qué el MA(3) no es el mejor modelo para Z (selecciona)
aunque el MA(3) tiene el mejor ajuste, no tiene el AIC más bajo. No todos los
los tres coeficientes MA(3) son estadísticamente significativos.

EXPLICACIÓN

Las opciones a y b son correctas y están relacionadas; introducir términos adicionales en la regresión hará
mejorar el ajuste (aunque solo marginalmente), pero esto podría no ser estadísticamente significativo. El AIC
pesa el ajuste mejorado con los parámetros adicionales introducidos, por lo que puede ser en realidad más alto
(es decir, peor) para MA(3) que para las otras dos especificaciones. Si otro de los dos modelos tiene un
un AIC más bajo, entonces MA(3) no puede ser el mejor. Además, puede haber términos AR significativos que podrían ser
incluyó que AIC más bajo aún. La opción c es incorrecta; la parsimonia no es un objetivo en sí misma.
de lo contrario, solo elegiríamos modelos AR(1) o MA(1).

Considere los siguientes tres modelos que se han estimado para pe_ind (el precio de las acciones del mercado)
ratio de ganancias en India).

El Modelo 1 es un AR(1);
El modelo 2 tiene términos AR en los rezagos 1 y 8 solamente;
El modelo 3 tiene términos AR en los rezagos 1 y 8, y un término MA en el rezago 8.
Para cada modelo, los resultados de la regresión y el ACF, PACF y las estadísticas Q para los residuos son
a continuación: Nota: Se le anima encarecidamente a replicar los resultados usted mismo utilizando
Rápido->Estimar la ecuación-> luego escribir la ecuación pe_ind c ar(1) por ejemplo o ejecutar
el comando ecuación [Link] pe_ind c ar(1) que guardará los resultados en un objeto de ecuación
modelo1. Tenga en cuenta que SIGMASQ, que aparece en la salida si está utilizando EViews 9, no es el
coeficiente de una variable adicional en la regresión. Es la estimación de la varianza del error de
la regresión basada en el método de Máxima Verosimilitud. Puedes ignorarlo en el contexto de esto.
módulo. También tenga en cuenta que si utiliza EViews 8, que utiliza un método de estimación predeterminado diferente,
SIGMASQ no aparece y los resultados numéricos podrían ser diferentes.

¿Qué modelo tiene la menor Suma de Residuos Cuadrados (SSR)?

Al discutir el AIC y el SBC en la conferencia, nos referimos a SSR como la suma de los cuadrados de
residuos, que reflejan la calidad del ajuste de la regresión. El modelo 3, con el mayor número
de parámetros estimados, tiene el SSR más bajo (297.8219) y, equivalentemente, el más alto
R2(0.840784)
¿Qué modelo tiene el menor Criterio de Información de Akaike (AIC)?

Además de tener el R2 más alto, el Modelo 3 también tiene el AIC más bajo; por lo tanto, el adicional
los parámetros son lo suficientemente significativos como para reducir el AIC. Sin embargo, tenga en cuenta que el término AR(8) no es
estadísticamente significativo.

¿Es el modelo con el AIC más bajo también el que tiene el menor Criterio de Schwartz (SBC)?

El Modelo 3 también tiene el SBC más bajo (3.486348).

¿Con qué modelo o modelos puedes tener una confianza razonable de que los residuos no están correlacionados serialmente?
(Selecciona todas las que apliquen)

Nota: para replicar los correlogramas de los residuos, puedes hacer clic en la ventana de regresión.
entonces Ver->Diagnósticos residuales->Correlograma - Estadísticas Q o ejecutar el comando
[Link](12) si ya has definido la ecuación “model1” como se muestra en la nota anterior.

La hipótesis nula de la estadística Q es que no hay autocorrelación en los residuales verdaderos para todos
retrasos de hasta s. Todas las estadísticas Q reportadas para los Modelos 2 y 3 son más bajas que las correspondientes
Valor crítico del 10 por ciento. (Equivalentemente, los p-valores reportados son mayores al 10 %.) Por lo tanto, uno
no logra rechazar la hipótesis nula de que los residuos no están correlacionados seriamente. Por otro lado,
El Modelo 1 rechaza esta hipótesis nula utilizando un nivel de significancia del 10 por ciento, pero solo después del rezago 7.
(es decir, para los rezagos 8-11).

Basado en tu lectura de los resultados, ¿qué harás ahora para determinar el mejor modelo para pe_ind?

Aunque aquí entramos en el ámbito del juicio, sería innegable decir que
El modelo 3 es mejor que los otros dos; logra un AIC y SBC más bajos, y los residuos están bien.
se comportó. Sin embargo, también es notable que el término AR en el rezago 8 no es significativo, por lo tanto es
es posible que el término MA en el rezago 8 esté corrigiendo la autocorrelación observada en el Modelo 1, y
por lo tanto, el término AR en el rezago 8 podría no ser necesario. Por lo tanto, una especificación adicional que
uno podría considerar un AR(1) con un solo término MA en el rezago 8. Podría lograr que no estuviera correlacionado.
residuales con menos parámetros, y podría reducir aún más el AIC y el SBC. Así que nuestro trabajo no es del todo
¿Ya está hecho!

Session 5: Fitting a Box-Jenkins Model (Simulated Data)

Si los residuos de la regresión son ruido blanco, entonces la hipótesis nula de autocorrelación cero debería
no ser rechazado. Suponiendo un nivel de significancia del 10 por ciento, el valor p para la estadística Q debería ser
mayor que 0.10.

El modelo verdadero, la regresión AR(2), tiene un AIC y SBC más bajos, exhibe coeficientes significativos.
para ambos rezagos y residuos serialmente no correlacionados. Por lo tanto, los diagnósticos favorecen el modelo verdadero.

Mirando la tabla de Criterios de Selección de Modelos, se puede ver que el modelo verdadero, AR(2), fue uno de
el mejor en términos de AIC, pero en realidad tiene el más bajo Criterio de Información de Swartz SIC (BIC), ya que
se informa en la tabla). Por lo tanto, usar SIC (BIC) llevaría a elegir el modelo verdadero como
el mejor.
Sesión 6: Trabajando con Datos del Mundo Real

¿El mejor modelo?

En las evaluaciones de la Sesión 5, sugerimos que un modelo con un AR(1) y un solo término MA
en el rezago 8 podría superar los tres modelos que habíamos observado. Ejecute este modelo, que llamaremos
Modelo 4 (ten en cuenta que el modelado automático de ARIMA no consideraría tal modelo, ya que
incluiría todos los rezagos hasta el rezago 8, no solo el octavo rezago y ningún otro término de MA). Los resultados para el
los modelos anteriores se resumen a continuación:

El modelo 4 logra residuos desagrupados en serie con solo dos parámetros estimados, ambos de
que son altamente significativos. Su AIC (3.396371) y SBC (3.466789) son más bajos que los de cualquier de
los tres modelos anteriores, y también inferior al del ARMA(5,6) elegido por Automático
Modelado ARIMA.

Lección: podría ser posible encontrar un modelo que supere a los elegidos por ARIMA Automático
Modelando, eligiendo modelos más parsimoniosos que incluyan algunos rezagos de orden superior pero
excluir retrasos intermedios. La Modelización Automática ARIMA está limitada a incluir todos los retrasos hasta p
o q.