Taller Final Econometria

TALLER FINAL ECONOMETRIA
ECONOMETRIA
Materia
ELABORADO POR
JASON ALEXIS TRIANA VIZCAYA

LEIDY LIZETH HERNANDEZ
CAROLINA HERRAN MUÑOZ
LEIDY CONSTANZA VALDERRAMA BERBEO
ADMINISTRACION FINANCIERA
VIII SEMESTRE
PRESENTADO A LA TUTORA
MARIA CAMILA LOZANO
UNIVERSIDAD EL TOLIMA
CREAD MELGAR
2018
Introducción
El objetivo del taller se puede analizar las variables con las series de tiempo y regresiones con el
fin de detectar problemas que influyen dentro de ellas.
La econometría es una disciplina que combina la economía con la estadística logrando utilizar
variables para la medición e interpretación de los datos reales que maneja una organización y el
mundo, dando así una proximidad a la realidad y las respuestas correcta del cambio dado
permitiendo descubrir las posibles incertidumbres.
Para nosotros como Administradores Financieros la econometría es un instrumento que nos
permite dar predicciones futuras de los diferentes comportamientos de las variables; para tener
esta realidad se debe tener los datos necesarios teniendo en cuenta que pueden cambiar
generando perturbaciones; la econometría tiene relación con los modelos ya que se enlaza con
una realidad nos ayuda a resolver y comprender como se ve afectado las derivaciones
reconociendo cada aspecto importante de ella.
Damodar N. Gujarati – Dawn C. Porter,(2009), Econometría quinta edición,Mexico, McGRAW-

HILL/INTERAMERICANA EDITORES, S.A. de C.V
TALLER FINAL ECONOMETRIA
1. Teoría
a. ¿En qué consiste la econometría de series de tiempo? ¿Cuál es la diferencia con la
econometría de corte transversal?
Rta: Conjunto de observaciones sobre los valores de una variable en diferentes
momentos, tal información debe recopilarse en intervalos regulares, es decir en forma
diaria, semanal, mensual, trimestral, anual, quincenal, decenal. Algunas veces los datos
están disponibles por trimestre y por año como los datos PIB y de consumo.
Son estacionarios porque su media y su varianza no varían sistemáticamente con el
tiempo.
DIFERENCIA
Podemos decir que los datos de serie de tiempo crean problemas por la estacionariedad y
los datos trasversales tienen sus propios problemas, en concreto en la heterogeniedad en
los datos.
 Estacionariedad: Una serie de tiempo es estacionaria si su media y su varianza no
varían.
 Heterogeneidad: Se refiere a un grupo a una mezcla compuesta por varios
elementos diferentes y distinguibles a la vista.
b. ¿Por qué es importante las series de tiempo en las finanzas? ¿qué aplicaciones
tiene?
Rta: Es importante en las finanzas porque nos permite realizar observaciones sobre los valores de
una variable en diferentes momentos.
APLICACIONES:
 Precio de acciones
 Informe de tiempo
 Cifra de oferta monetaria
 Tasa de desempleo
 Índice de precio al consumidor (IPC)
2. Estacionariedad
¿En qué consiste la estacionariedad? ¿Por qué es importante para hacer estimación?
RTA: Es una característica de una serie temporal en el que los datos experimentan variaciones
regulares y previsibles que se repiten en un periodo de tiempo; es decir que en un conjunto de
datos donde su media y su varianza no varían.
Es importante para hacer estimación porque se puede realizar un modelo para obtener
predicciones con el fin de visualizar otros componentes como tendencia y componente irregular
que se puede confundir en las fluctuaciones estacionales.
a. Evalué si la serie es estacionaria por medio de una a) grafica, b) correlograma, y
c)prueba de raíz unitaria
Si sus resultados muestran que la serie es estacionaria pase al punto 4.
3. Primeras diferencias
a. Evalué si la serie es estacionaria en primeras diferencias. Utilice nuevamente el
método gráfico, el correlograma y la prueba de raíz unitaria.

HO ≤ 0.1, 0.5, 0.01 Se cumple = 0,011257 no hay estacionaridad
Prob= 0,0000 hay estacionalidad
Ar(1) es significativo pro 0,000

b. ¿En que consiste el método de diferencias para convertir la serie en estacionaria?
- El principal problema está en la estimación del riesgo.
- Estaremos subestimando el riesgo, porque la distribución tiene colas más largas.
- Estaremos sobrestimando los beneficios.
- El margen de error de las previsiones es mayor

Análisis de series temporales
Lo primero que podemos hacer el un análisis visual.
TRANSFORMACIÓN
Si seguimos los modelos deterministas, una serie temporal puede descomponerse en 3 elementos
básicos: tendencia, estacionalidad y un factor aleatorio.
Estas son algunas transformaciones simples que podemos aplicar a nuestra serie temporal:
TRANSFORMACIÓN LOGARÍTMICA
La transformación logarítmica hace que la dispersión sea más o menos constante.

Si analizamos el gráfico podemos ver que la transformación logarítmica sí que ha estabilizado un
poco la dispersión. Sin embargo, no ha logrado que la media de la serie sea constante (se sigue
apreciando una tendencia creciente).
TENDENCIA
Una transformación que elimina la tendencia (buscamos estacionalidad en la media) es la
diferenciación.
La diferenciación nos permite eliminar la tendencia lineal a través de las diferencias regulares.
Consiste simplemente en calcular la diferencia entre cada dato (en este caso mensual) y el
anterior.
Otra forma de trabajar para estabilizar la varianza es tomando la diferencia entre los logaritmos
naturales de los precios (más sobre por qué trabajar utilizando logaritmos en este otro artículo)
Aquí ya no tenemos tendencia y vemos que los precios oscilan alrededor de 0.
c. Cree la serie de tiempo en primeras diferencias en generate series (
seried=D(nombreserie). Muestre imagen de la serie creada
Ar(1) es significativo pro 0,000
4. Estimación de modelos
a. ¿En que consisten los modelos AR, MA, ARMA Y ARIMA?
AR: (Autorregresivo) es una representación de un tipo de procesos aleatorios que como tal
describe ciertos procesos en el tiempo.

MA: (Medidas Móviles) es un cálculo utilizado para analizar un conjunto de datos en modo de
puntos para crear una serie de promedios.
ARMA: (Medidas Móviles Auto regresivos)
ARIMA: (Modelo Auto regresivo integrado de Medida Móvil)
b. Estime 5 modelos diferentes para la serie de tiempo. Muestre las estimaciones de
los modelos. (si los resultados en el punto 2 muestran que la serie es estacionaria
estime con la serie original. Si tuvo que transformar la serie por primeras
diferencias estime con la serie creada por generate series)

5. Selección de modelo
a. De acuerdo a criterios de significancia individual, la suma de errores al cuadrado
y los criterios akaike y schwarz. ¿cuál o cuáles son los modelos más adecuados
para estimar? Argumente
El modelo más adecuado que nosotros realizamos fue el MA(1) ya que presenta menor sum
squared resid
Lista de referencias
Damodar N. Gujarati – Dawn C. Porter,(2009), Econometría quinta edición,Mexico, McGRAW-

HILL/INTERAMERICANA EDITORES, S.A. de C.V
https://www.bvc.com.co/pps/tibco/portalbvc/home/mercaados/enlinea/acciones
http://www.estadistica.net/ECONOMETRIA/SERIES-TEMPORALES/modelo-arima.pdf

Taller Final Econometria

Cargado por

Copyright:

Formatos disponibles

Taller Final Econometria

Cargado por

Información del documento

Título original

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

Taller Final Econometria

Cargado por

Copyright:

Formatos disponibles

TALLER FINAL ECONOMETRIA

JASON ALEXIS TRIANA VIZCAYA

fin de detectar problemas que influyen dentro de ellas.

permitiendo descubrir las posibles incertidumbres.

Para nosotros como Administradores Financieros la econometría es un instrumento que nos

reconociendo cada aspecto importante de ella.

Damodar N. Gujarati – Dawn C. Porter,(2009), Econometría quinta edición,Mexico, McGRAW-

a. ¿En qué consiste la econometría de series de tiempo? ¿Cuál es la diferencia con la

econometría de corte transversal?

Rta: Conjunto de observaciones sobre los valores de una variable en diferentes

momentos, tal información debe recopilarse en intervalos regulares, es decir en forma

Son estacionarios porque su media y su varianza no varían sistemáticamente con el

los datos trasversales tienen sus propios problemas, en concreto en la heterogeniedad en

 Heterogeneidad: Se refiere a un grupo a una mezcla compuesta por varios

elementos diferentes y distinguibles a la vista.

una variable en diferentes momentos.

 Cifra de oferta monetaria

 Índice de precio al consumidor (IPC)

regulares y previsibles que se repiten en un periodo de tiempo; es decir que en un conjunto de

datos donde su media y su varianza no varían.

que se puede confundir en las fluctuaciones estacionales.

a. Evalué si la serie es estacionaria por medio de una a) grafica, b) correlograma, y

c)prueba de raíz unitaria

Si sus resultados muestran que la serie es estacionaria pase al punto 4.

a. Evalué si la serie es estacionaria en primeras diferencias. Utilice nuevamente el

método gráfico, el correlograma y la prueba de raíz unitaria.

Ar(1) es significativo pro 0,000

- El principal problema está en la estimación del riesgo.

- Estaremos subestimando el riesgo, porque la distribución tiene colas más largas.

- Estaremos sobrestimando los beneficios.

- El margen de error de las previsiones es mayor

Lo primero que podemos hacer el un análisis visual.

básicos: tendencia, estacionalidad y un factor aleatorio.

La transformación logarítmica hace que la dispersión sea más o menos constante.

apreciando una tendencia creciente).

Una transformación que elimina la tendencia (buscamos estacionalidad en la media) es la

c. Cree la serie de tiempo en primeras diferencias en generate series (

seried=D(nombreserie). Muestre imagen de la serie creada

Ar(1) es significativo pro 0,000

a. ¿En que consisten los modelos AR, MA, ARMA Y ARIMA?

describe ciertos procesos en el tiempo.

puntos para crear una serie de promedios.

ARMA: (Medidas Móviles Auto regresivos)

ARIMA: (Modelo Auto regresivo integrado de Medida Móvil)

b. Estime 5 modelos diferentes para la serie de tiempo. Muestre las estimaciones de

diferencias estime con la serie creada por generate series)

a. De acuerdo a criterios de significancia individual, la suma de errores al cuadrado

para estimar? Argumente

Damodar N. Gujarati – Dawn C. Porter,(2009), Econometría quinta edición,Mexico, McGRAW-

También podría gustarte