TP Tarea 3 Alexander Pérez

TÉCNICAS DE PRONÓSTICOS
TAREA 3: REGRESIÓN CON SERIES DE TIEMPO
Presentado Por:
ALEXANDER PÉREZ GARCÍA
Universidad Nacional Abierta y a Distancia UNAD
Economía
2024
Actividad individual
1) Realizar un resumen analítico de Gujarati (2009), Capítulo 17, Secciones 17.1;

17.2; 17.3 y 17.8 y contestar las siguientes preguntas:
a. ¿Qué es un rezago?
Rta: según Gujarati, en economía, la dependencia de una variable Y (la variable
dependiente) respecto de otra u otras variables X (las variables explicativas) pocas veces
es instantánea. Con frecuencia, Y responde a X en un lapso, el cual se denomina rezago.
El rezago nos indica que, el efecto una causa dada se prorroga durante varios
periodos.
b. ¿Qué es un modelo de rezago distribuido? Indique un ejemplo
Rta: según Gujarati, en el análisis de regresión con datos de series de tiempo, cuando
el modelo de regresión incluye no sólo valores actuales sino además valores rezagados
(pasados) de las variables explicativas (las X), se denomina modelo de rezagos
distribuidos. Los efectos de las entradas se distribuyen a lo largo del tiempo, en lugar de
tener un impacto inmediato.
Gujarati nos presenta un ejemplo muy explicativo: un trabajador que tiene un
aumento de sueldo anual de $2.000. Este trabajador no se gasta ese aumento de sueldo
inmediatamente, sino que el primer año gasta una parte ($800, según el ejemplo); al
siguiente año gasta otros $600; y en el tercer año gasta $400. Luego este gasto de $400,
es un efecto de una causa que ocurrió tres años atrás (el aumento de sueldo).
El efecto de una causa dada (el incremento de sueldo) se prorrogó por tres años.
c. ¿De qué trata modelo autorregresivo VAR? Indique un ejemplo
Si el modelo incluye uno o más valores rezagados de la variable endógena entre

sus variables explicativas, se denomina modelo autorregresivo.
En un modelo VAR, cada serie temporal se representa como una combinación

lineal de sus valores pasados y los valores pasados de todas las otras series en el
modelo. La especificación del modelo VAR implica determinar el número de rezagos que
se deben incluir en el modelo, así como las relaciones entre las diferentes series.
Por ejemplo, supongamos que estamos interesados en analizar la relación entre el

producto interno bruto (PIB), la inversión y el consumo en una economía. Podemos
especificar un modelo VAR que modele simultáneamente las tres series temporales (PIB,
inversión, consumo) como una función lineal de sus valores pasados y los valores
pasados de las otras series. En este caso, el modelo VAR nos permitiría analizar cómo
cambios en una de estas variables afectan dinámicamente a las otras variables en el
sistema económico.
d. ¿Por qué ocurren los rezagos?
 Razones psicológicas: hábitos de las personas.

 Razones tecnológicas: innovaciones y cambios en la tecnología que
impactan la industria, por ende, impactan la oferta y la demanda: las
empresas deben tomar decisiones sobre su forma de producción (incluso
de reemplazar mano de obra humana por máquinas o computadoras) y los
consumidores deben tomar decisiones frente a todos estos cambios.
 Razones institucionales: razones contractuales, legales o
gubernamentales.
2) Escoger un modelo de los siguientes e indicar su selección en el foro de la

unidad, en ella deben indicar la relación que tiene, expresión econométrica
(identificando cuál es la variable dependiente y la independiente)
Selección:
b. Inflación y Tasa de Crecimiento

Nota: los datos los pueden encontrar en la página del DANE o del Banco de la
República en la sección de estadísticas. Recuerden manejar un mismo periodo y unidad
de medida.
3) Realizar análisis univariado (cada variable) de cada serie por separado.

Decidir transformaciones y uso de cada una de ellas. Deben evaluar los
diagramas de autocorrelación para definir los rezagos del modelo.
b. Inflación y Tasa de Crecimiento
INF ISE
6,94 107,9
8,01 111,4
8,53 120,0
9,23 115,2
9,07 118,9
9,67 118,5
10,21 120,2
10,84 121,8
11,44 120,7
12,22 119,8
12,53 122,5
13,12 132,5
13,25 112,6
13,28 114,5
13,34 121,6
12,82 114,0
12,36 118,6
12,13 120,0
11,78 120,2
11,43 121,6
10,99 119,2
10,48 118,6
10,15 124,9
9,28 132,6
INF: inflación
ISE: índice de seguimiento a la economía.

La inflación no es estacionaria.
El índice de seguimiento a la economía no es estacionario.
Resumen estadístico de las series:
ISE
Min. :107.9
1st Qu.:117.7
Median :119.9
Mean :119.5
3rd Qu.:121.6
Max. :132.6
INF
Min. : 6.940
1st Qu.: 9.572
Median :11.210
Mean :10.963
3rd Qu.:12.402
Max. :13.340
Generamos logaritmos:
Calculamos los diagramas de autocorrelación:

#ACF nos indica cuantos rezagos (MA) requerimos en nuestros modelos
#PACF nos indica cuantos rezagos (AR) requerimos en nuestros modelos
#Modelo de rezago distribuido
#Hay dos formas particulares
> #Modelo de rezago distribuido

> #Hay dos formas particulares
> mod1 <- dynlm(tp ~ tm2 + L(tm2, 1:2))
> mod1 <- dynlm(tp ~ tm2 + L(tm2, 1:2))
> summary(mod1)
Time series regression with "ts" data:

Start = 2022(3), End = 2023(12)
Call:
dynlm(formula = tp ~ tm2 + L(tm2, 1:2))
Residuals:
Min 1Q Median 3Q Max
-5.9530 -2.8756 -0.2659 1.4841 13.0173
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 126.6736 8.4679 14.959 1.35e-11 ***
tm2 0.2596 3.3421 0.078 0.939
L(tm2, 1:2)1 -3.1039 6.1807 -0.502 0.622
L(tm2, 1:2)2 2.3119 3.3266 0.695 0.496
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 5.138 on 18 degrees of freedom

Multiple R-squared: 0.05435, Adjusted R-squared: -0.1033
F-statistic: 0.3448 on 3 and 18 DF, p-value: 0.7933
> mod1 <- dynlm(tm2 ~ L(tp, 1:2))

> summary(mod1)

Start = 2022(3), End = 2023(12)
Call:
dynlm(formula = tm2 ~ L(tp, 1:2))
Residuals:
-2.2720 -1.1218 -0.1059 0.9357 3.0787
Coefficients:
(Intercept) -9.81373 10.70503 -0.917 0.371
L(tp, 1:2)1 0.04997 0.07125 0.701 0.492
L(tp, 1:2)2 0.12750 0.06456 1.975 0.063 .
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Multiple R-squared: 0.2024, Adjusted R-squared: 0.1184
F-statistic: 2.411 on 2 and 19 DF, p-value: 0.1167
#Como incluimos un modelo de autorregresivo?
> mod2<- dynlm(tm2 ~ tp + L(tp, 1:3) + L(tm2, 1:2))

> summary(mod2)

Start = 2022(4), End = 2023(12)
Call:
dynlm(formula = tm2 ~ tp + L(tp, 1:3) + L(tm2, 1:2))
Residuals:
-0.69368 -0.18018 0.04314 0.14113 0.55674
Coefficients:
(Intercept) 1.029196 4.210886 0.244 0.810457
tp -0.007931 0.018281 -0.434 0.671033
L(tp, 1:3)1 -0.008857 0.020588 -0.430 0.673611
L(tp, 1:3)2 -0.012559 0.019968 -0.629 0.539503
L(tp, 1:3)3 0.028823 0.019894 1.449 0.169420
L(tm2, 1:2)1 1.713654 0.213355 8.032 1.31e-06 ***
L(tm2, 1:2)2 -0.800015 0.187613 -4.264 0.000786 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Multiple R-squared: 0.9547, Adjusted R-squared: 0.9353
F-statistic: 49.22 on 6 and 14 DF, p-value: 1.292e-08
##Una vez se tienen los modelos es importante validarlos#
#Validemos el ruido blanco de los modelos estimados
> Box.test(residuals(mod2), type="Ljung-Box")
Box-Ljung test
data: residuals(mod2)
X-squared = 2.8046, df = 1, p-value = 0.09399
> error1=residuals(mod1)
#Grafico de Quantile-quantile Normal
qqnorm(error1, pch=19, col="blue")
qqline(error1, col="red", lwd=2)
Shapiro-Wilk normality test
data: error1
W = 0.96753, p-value = 0.6538
#Pruebas de Autocorrelación
#La prueba mas comun es la prueba de Durbin Watson
library(lmtest)
dwtest(mod1)
Durbin-Watson test
data: mod1
DW = 0.4072, p-value = 8.663e-07
alternative hypothesis: true autocorrelation is greater than 0
ERROR2 MOD2
error2=residuals(mod2)
Shapiro-Wilk normality test
data: error2
W = 0.97552, p-value = 0.8492
> dwtest(mod2)
Durbin-Watson test
data: mod2
DW = 2.4861, p-value = 0.7036
alternative hypothesis: true autocorrelation is greater than 0
El modelo que más se ajusta es el MODELO 2.

TP Tarea 3 Alexander Pérez

Cargado por

Copyright:

Formatos disponibles

TP Tarea 3 Alexander Pérez

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

TP Tarea 3 Alexander Pérez

Cargado por

Copyright:

Formatos disponibles

TÉCNICAS DE PRONÓSTICOS

TAREA 3: REGRESIÓN CON SERIES DE TIEMPO

ALEXANDER PÉREZ GARCÍA

Universidad Nacional Abierta y a Distancia UNAD

1) Realizar un resumen analítico de Gujarati (2009), Capítulo 17, Secciones 17.1;

b. ¿Qué es un modelo de rezago distribuido? Indique un ejemplo

c. ¿De qué trata modelo autorregresivo VAR? Indique un ejemplo

Si el modelo incluye uno o más valores rezagados de la variable endógena entre

En un modelo VAR, cada serie temporal se representa como una combinación

Por ejemplo, supongamos que estamos interesados en analizar la relación entre el

d. ¿Por qué ocurren los rezagos?

 Razones psicológicas: hábitos de las personas.

2) Escoger un modelo de los siguientes e indicar su selección en el foro de la

b. Inflación y Tasa de Crecimiento

3) Realizar análisis univariado (cada variable) de cada serie por separado.

b. Inflación y Tasa de Crecimiento

ISE: índice de seguimiento a la economía.

Calculamos los diagramas de autocorrelación:

#PACF nos indica cuantos rezagos (AR) requerimos en nuestros modelos

#Modelo de rezago distribuido

#Hay dos formas particulares

> #Modelo de rezago distribuido

Time series regression with "ts" data:

Residual standard error: 5.138 on 18 degrees of freedom

> mod1 <- dynlm(tm2 ~ L(tp, 1:2))

Time series regression with "ts" data:

Residual standard error: 1.436 on 19 degrees of freedom

#Como incluimos un modelo de autorregresivo?

> mod2<- dynlm(tm2 ~ tp + L(tp, 1:3) + L(tm2, 1:2))

Time series regression with "ts" data:

Residual standard error: 0.3648 on 14 degrees of freedom

##Una vez se tienen los modelos es importante validarlos#

#Validemos el ruido blanco de los modelos estimados

> Box.test(residuals(mod2), type="Ljung-Box")

qqnorm(error1, pch=19, col="blue")

qqline(error1, col="red", lwd=2)

Shapiro-Wilk normality test

W = 0.96753, p-value = 0.6538

#La prueba mas comun es la prueba de Durbin Watson

Shapiro-Wilk normality test

El modelo que más se ajusta es el MODELO 2.

También podría gustarte