...

Validación del modelo ARMA para la proyección de la inflación en

by user

on
Category: Documents
1

views

Report

Comments

Transcript

Validación del modelo ARMA para la proyección de la inflación en
Validación del modelo ARMA para la proyección
de la inflación en Costa Rica
Alberto Vindas Quesada
Serie Documentos de Trabajo No. 03-2011
Departamento de Investigación Económica
División Económica
Diciembre, 2011
Las ideas expresadas en estos documentos son de los autores y no necesariamente
representan las del Banco Central de Costa Rica.
La serie Documentos de Trabajo del Departamento de Investigación Económica del Banco
Central de Costa Rica en versión PDF puede encontrarse en www.bccr.fi.cr
Referencia: DEC-DIE-DT-15-2011
DEC-DIE-DT-015-2011
Validación del modelo ARMA para la proyección de la inflación en Costa Rica
Alberto Vindas Q.1
Resumen
Dentro de las buenas prácticas de la banca central se encuentra la de la revisión periódica de los
modelos utilizados para la proyección de la inflación. En este documento se hace una validación
del modelo univariable ARMA para la proyección de la inflación a corto plazo, para el cual se
sugiere una especificación alternativa a la usada actualmente.
Abstract
The periodic revision of the inflation forecasting models is one of the good practices of central
banking. In this document a validation of the univariable ARMA model for short-term forecasting
is done, where an alternative specification is suggested over the one currently used.
1
Correo electrónico: [email protected]
i
Contenido
1.
Introducción .......................................................................................................................................................... 1
2.
Preselección de especificaciones ARMA(p,q) .......................................................................................... 1
3.
Propiedades de los errores en los modelos preseleccionados ......................................................... 3
3.1.
Normalidad de los residuos .................................................................................................................. 3
3.2.
Pruebas de autocorrelación y heterocedasticidad ...................................................................... 4
3.3.
Correlogramas ............................................................................................................................................ 4
3.4.
Funciones de impulso-respuesta ........................................................................................................ 6
4.
Indicadores de capacidad de pronóstico ................................................................................................... 7
5.
Conclusiones ......................................................................................................................................................... 8
6.
Referencias ......................................................................................................................................................... 10
7.
Anexos................................................................................................................................................................... 11
7.1.
Criterios de información de modelos seleccionados ............................................................... 11
7.2.
Modelos ARMA seleccionados para el análisis ........................................................................... 11
ii
1. Introducción
En este informe técnico se pretende hacer una revisión de uno de los modelos utilizados en el
Banco Central de Costa Rica para la proyección de la inflación. Específicamente, el modelo
corresponde a una especificación univariada ARMA(p,q).
Un primer modelo ARMA fue propuesto en Hoffmaister et. al. (2000), donde se concluyó que
la mejor especificación era la de un modelo ARMA(6,3) para el periodo comprendido entre
enero de 1990 y diciembre de 1999. Posteriormente, en Muñoz (2008) y Rodríguez (2009) se
hicieron validaciones al modelo. En el primero de los casos se tomó como punto de partida el
mes de enero de 1996 extendiéndose hasta enero de 2008, recomendándose la especificación
alterna ARMA(1,1). En la última de las validaciones, Rodríguez (2009) amplía el periodo de
estudio hasta setiembre de 2009, y concluye que para horizontes de pronóstico de corto plazo
en las especificaciones ARMA(1,1) y ARMA(2,0) no se encuentran diferencias
estadísticamente significativas, mientras que para horizontes mayores a 6 meses la evidencia
empírica favorece el modelo ARMA(2,0).
La sección 2 de este documento se dedica a una selección preliminar de especificaciones
ARMA(p,q). La sección 3 examina más detalladamente las propiedades de los errores en estos
modelos preseleccionados para escoger los más apropiados, la sección 4 hace una evaluación
de algunos indicadores de capacidad de pronóstico y finalmente la sección 5 presenta las
conclusiones del informe.
2. Preselección de especificaciones ARMA(p,q)
Siguiendo el procedimiento esbozado en Hoffmaister et. al. (2000), se estimaron varios
modelos ARMA(p,q) para la inflación medida como la variación interanual del índice de
precios al consumidor (IPC). Al igual que en ese ejercicio, se estableció que el número de
parámetros autorregresivos p varíe desde 1 a 12, mientras que el de número de parámetros
de medias móviles q lo haga desde 0 hasta 122. El periodo de estudio empieza en mayo de
1996 y finaliza en mayo de 2011. Por lo tanto, se trabaja con una serie de tiempo de 181
observaciones.
Debido a la reciente dinámica inflacionaria en Costa Rica se consideró adicionalmente la
posibilidad de incluir una variable dicotómica para controlar la estabilización de la inflación
alrededor del 6%. Para ello se hicieron estimaciones con diversas combinaciones para dicha
variable dicotómica. En total para cada una de las especificaciones ARMA(p,q) se consideraron
861 diferentes variables dicotómicas, por lo que la cantidad preliminar de modelos estimados
aumentó a un total de 1336103. Para crear las variables dicotómicas utilizadas se tomaron
La estimación del modelo ARMA(12,12) se dejó de lado puesto que limitaciones del programa
econométrico usado no lo permitieron.
3 Se están probando (12 13)-1=155 modelos ARMA, y en cada uno se están usando 861 variables
dicotómicas distintas. Considerando adicionalmente las especificaciones sin variable dicotómica se
llega a un total de 155 (861+1)=133610 modelos estimados.
2
1
varios puntos de inicio, y el primero es enero de 2008. En cada punto de inicio, la variable
dicotómica toma el valor de 1 únicamente en ese mes. La siguiente variable dicotómica toma
el valor de 1 en el punto de inicio y el mes posterior. Otra dicotómica toma el valor de uno en
esos dos meses anteriores y el siguiente, y así sucesivamente hasta llegar al mes de mayo de
2011. Al llegar a este punto, se varía el punto de inicio al mes posterior al inicial y se vuelven a
crear las variables dicotómicas hasta llegar al final del periodo de estudio.
En cada uno de estos modelos estimados se almacenaron los criterios de información de
Akaike, de Schwarz y de Hannan-Quinn. También se contabilizaron los coeficientes estimados
autorregresivos y de medias móviles no significativos y las raíces características de los
polinomios AR y MA que no estuvieran dentro del círculo unitario. En caso de estimarse el
modelo con variable dicotómica, se toma en cuenta si el coeficiente asociado es
estadísticamente distinto de cero. Finalmente se hicieron las pruebas Jarque-Bera para
normalidad, la Breusch-Godfrey para autocorrelación y la Breusch-Pagan-Godfrey para
heterocedasticidad.
Un primer criterio aplicado consistió en descartar los modelos que tuvieran más de un
coeficiente autorregresivo o de medias móviles no significativo, o en los que la variable
dicotómica no resultara significativa con un 90% de confianza. También se comprobó si los
modelos son estacionarios e invertibles. La norma de cada una de las raíces inversas
autorregresivas debe ser estrictamente menor que uno para comprobar que el modelo sea
estacionario, mientras que el mismo criterio se aplica para las raíces inversas de medias
móviles para comprobar que sea invertible. Esto resultó en la eliminación de 130858 modelos,
dejando 2752 para los siguientes criterios.
Posteriormente se consideraron los criterios de información de los modelos. Se buscan los
que consistentemente fueron menores en comparación con el resto del grupo. Esto llevó a la
selección de 6 modelos:






ARMA(3,11) con dicotómica con valor de 1 entre agosto y noviembre de 2008
ARMA(3,11) con dicotómica con valor de 1 entre enero y diciembre de 2008
ARMA(1,11) con dicotómica con valor de 1 entre diciembre de 2008 y noviembre de
2009
ARMA(3,11) con dicotómica con valor de 1 entre octubre y noviembre de 2008
ARMA(5,11) sin el término AR(4) y con dicotómica con valor de 1 entre julio y
noviembre de 2008
ARMA(1,11) con dicotómica con valor de 1 entre diciembre de 2008 y noviembre de
2010
Adicionalmente se va a considerar una última especificación, el modelo ARMA(2,0) que se
recomendó usar en la última validación hecha por Rodríguez (2009). Para esto se va a tomar
la especificación con variable dicotómica que pasa satisfactoriamente los criterios anteriores,
que corresponde al modelo ARMA(2,0) con variable dicotómica con valor de uno entre
diciembre de 2008 y noviembre de 2009.
2
Cabe hacer la observación que para este periodo de estudio no quedaron preseleccionadas
ninguna de las especificaciones seleccionadas en Muñoz (2008) y en la validación hecha en
Rodríguez (2009) el modelo ARMA (3,11) sí fue preseleccionado. Esto podría relacionarse con
la conducta de la inflación en el pasado reciente, particularmente los meses posteriores a los
del periodo de estudio abarcado en Rodríguez (2009).
Dentro los modelos analizados, es pertinente recalcar que la variable dicotómica adicional
mejoró el ajuste en varios modelos, puesto que según el ordenamiento de los criterios de
información los primeros 67 lugares hacen uso de esta variable. Además, la selección es
robusta a la longitud del proceso de medias móviles; los primeros 81 lugares toman q=11.
3. Propiedades de los errores en los modelos preseleccionados
En esta sección se van a examinar más detalladamente los errores en los modelos
preseleccionados, para así inferir si los modelos cumplen con las características deseadas.
3.1.
Normalidad de los residuos
Para examinar si los errores de los modelos se distribuyen normalmente se calcula el
estadístico de Jarque-Bera. El cuadro 1 presenta esta información, junto con los respectivos
valores p. Con un nivel de significancia del 5% se puede rechazar la hipótesis nula de que en la
segunda especificación los errores siguen una distribución normal, lo cual no puede hacerse
para el resto.
Cuadro 1. Prueba Jarque-Bera para normalidad
ARMA(3,11)
Inicio
dicotómica
Ago-2008
ARMA(3,11)
Ene-2008
Dic-2008
7.4408
0.0242
ARMA(1,11)
Dic-2008
Nov-2009
0.3778
0.8279
ARMA(3,11)
Oct-2008
Nov-2008
1.9911
0.3695
ARMA(5,11)
Jul-2008
Dic-2008
3.4182
0.1591
ARMA(1,11)
Dic-2008
Nov-2010
0.4072
0.8158
ARMA(2,0)
Dic-2008
Nov-2009
3.1418
0.1801
Modelo
Final
dicotómica
Nov-2008
Estadístico
Probabilidad
1.6057
0.4480
El interés de este ejercicio es usar el modelo final dentro de una combinación junto con otros
modelos de inflación. Como se explica en el documento metodológico para esta combinación,
“para que una proyección se considere óptima para formar parte de una combinación, sus
errores de pronóstico deben tener media cero, ser ruido blanco y distribuirse normalmente”
(Mora y Rodríguez, 2009; p.3). Es por esto que se descarta el modelo ARMA(3,11) con
dicotómica con valor de 1 entre enero y diciembre de 2008.
3
3.2.
Pruebas de autocorrelación y heterocedasticidad
Para examinar si los errores están correlacionados entre sí se aplicó la prueba BreuschGodfrey, usando nueve rezagos de los errores en la regresión auxiliar. El cuadro 2 presenta los
resultados, de los cuáles se desprende que hay fuerte evidencia de autocorrelación en el
segundo, tercer y quinto modelo. Como la evidencia de autocorrelación tiende a sugerir
errores de especificación, se procede a eliminar estos tres modelos. Puede notarse que el valor
p del estadístico asociado al modelo ARMA(2,0) también es bastante bajo, y que bajo un nivel
de tolerancia del 10% se concluiría que hay suficiente evidencia sobre la presencia de
autocorrelación en este modelo.
Cuadro 2. Prueba Breusch-Godfrey para autocorrelación
ARMA(3,11)
Inicio
dicotómica
Ago-2008
Final
dicotómica
Nov-2008
ARMA(1,11)
Dic-2008
ARMA(3,11)
Oct-2008
Modelo
Estadístico
Probabilidad
13.4327
0.1440
Nov-2009
18.0501
0.0346
Nov-2008
17.5510
0.0408
ARMA(5,11)
Jul-2008
Dic-2008
13.6089
0.1369
ARMA(1,11)
Dic-2008
Nov-2010
21.7175
0.0098
ARMA(2,0)
Dic-2008
Nov-2009
15.0710
0.0890
El estudio de la homocedasticidad de los errores se hizo por medio de la prueba de BreuschPagan-Godfrey. En la regresión auxiliar se consideraron nueve rezagos de la inflación junto
con la variable dicotómica. El cuadro 3 presenta los resultados, de donde se encuentra que
ninguno de los modelos en cuestión tiene errores heterocedásticos.
Cuadro 3. Prueba Breusch-Pagan-Godfrey para heterocedasticidad
ARMA(3,11)
Inicio
dicotómica
Ago-2008
Final
dicotómica
Nov-2008
ARMA(5,11)
Jul-2008
ARMA(2,0)
Dic-2008
Modelo
3.3.
Estadístico
Probabilidad
10.9439
0.4051
Dic-2008
10.2325
0.4203
Nov-2009
12.7511
0.2379
Correlogramas
En esta sección se van a examinar los correlogramas simple y parcial de los modelos, que se
presentan en los gráficos 1, 2 y 3. Puede notarse que en buena medida los primeros dos
modelos son bastante similares, lo cual se ve reflejado en los correlogramas. Para estos dos se
puede observar que no hay diferencias significativas entre los patrones estimados y los
teóricos, por lo que no se puede descartar por este método que las especificaciones sean
incorrectas. Sin embargo, para el modelo ARMA(2,0) el diagrama de correlación simple
muestra algunas diferencias más marcadas que para los otros dos modelos.
4
Gráfico 1. Correlograma simple y parcial del modelo ARMA(3,11) con dicotómica entre
agosto y noviembre de 2008
Autocorrelación
1.2
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
Autocorrelación parcial
1.2
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
0
2
4
6
8
10 12 14 16 18 20 22 24
Teórico
0
2
4
6
Estimado
8
10 12 14 16 18 20 22 24
Teórico
Estimado
Gráfico 2. Correlograma simple y parcial del modelo ARMA(5,11) con dicotómica entre
julio y diciembre de 2008
Autocorrelación
1.2
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
Autocorrelación parcial
1.2
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
0
2
4
6
8
10 12 14 16 18 20 22 24
Teórico
0
2
4
6
Estimado
8
10 12 14 16 18 20 22 24
Teórico
Estimado
Gráfico 3. Correlograma simple y parcial del modelo ARMA(2,0) con dicotómica entre
diciembre de2008 y noviembre de 2009
Autocorrelación
1.2
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
Autocorrelación parcial
1.2
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
1
3
5
7
9
11 13 15 17 19 21 23
Teórico
Estimado
1
3
5
7
9
11 13 15 17 19 21 23
Teórico
Estimado
5
3.4.
Funciones de impulso-respuesta
Para los modelos en cuestión, se calcularon las funciones de impulso-respuesta con un
impulso de una desviación estándar para un horizonte de 24 meses. Los resultados se
presentan en el gráfico 4. Al igual que en el análisis de los correlogramas los resultados son
bastante similares para los primeros dos. En estos dos casos la cúspide del efecto se presenta
a 10 meses de haberse dado el impulso, y a partir de ese punto empieza a disminuir, más
marcadamente después de los 12 meses. En ambos modelos la estabilidad a los valores de
largo plazo se alcanza aproximadamente en dos años. La cúspide del efecto del impulso en el
modelo ARMA(2,0) se da en el tercer mes, y a partir de ahí cae más suavemente.
Gráfico 4. Funciones de impulso-respuesta
Respuestas ±1D.E.
0.016
0.014
0.012
0.010
0.008
0.006
0.004
0.002
0.000
-0.002
1
2
3
4
5
6
7
8
9
10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Respuestas acumuladas ±1D.E.
0.20
0.18
0.16
0.14
0.12
0.10
0.08
0.06
0.04
0.02
0.00
1
2
3
4
5
6
7
8
9
10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
ARMA(3,11)
ARMA(5,11)
ARMA(2,0)
6
4. Indicadores de capacidad de pronóstico
El principal objetivo de estos modelos de inflación es el de hacer proyecciones, sobre todo a
plazos menores al año. Es por esto que las pruebas de capacidad de pronóstico a 12 meses o
menos son de particular interés. En esta sección se consideran dos indicadores para medirla:
la raíz del error cuadrático medio y la U de Theil. Para esto se calcularon pronósticos
dinámicos a partir de enero de 2007, para horizontes de entre 1 y 24 meses. El gráfico 5
presenta los resultados obtenidos.
Gráfico 5. Raíz del error cuadrático medio y estadístico U de Theil
a distintos horizontes
Raíz del error cuadrático medio
U de Theil
0.06
0.30
0.05
0.25
0.04
0.20
0.03
0.15
0.02
0.10
ARMA
(5,11)
0.01
0.05
ARMA
(2,0)
0.00
ARMA
(3,11)
0.00
1
3
5
7
9 11 13 15 17 19 21 23
Horizonte (meses)
1
3
5
7
9 11 13 15 17 19 21 23
Horizonte (meses)
Es claro que a mayor plazo de proyección, mayor la imprecisión de la misma, más
marcadamente durante los primeros doce meses. Las diferencias entre estos indicadores para
el modelo ARMA(5,11) y ARMA(2,0) son despreciables para todos los horizontes. Para el caso
del modelo ARMA(3,11) hay un aumento de estos indicadores con respecto a los otros dos
modelos para plazos entre 8 y 17 meses.
Para complementar este análisis, se van a realizar varias pruebas de Diebold-Mariano para
capacidad de pronóstico. Tomando como referencia el modelo ARMA(5,11), se puede notar
que los otros dos modelos son versiones restringidas de este. Sin embargo, al incluirse las
distintas variables dicotómicas los modelos dejan de ser anidados, posibilitando la aplicación
de dicha prueba.
Lo que se prueba es si hay suficiente evidencia empírica como para considerar si la capacidad
de pronóstico de un modelo es superior a la de otro. Se van a aplicar dos pruebas a cada plazo
de las proyecciones, comparando los modelos ARMA(3,11) y ARMA(2,0) con el modelo
ARMA(5,11). De esta manera la hipótesis nula es que la capacidad de pronóstico de los
modelos es la misma, mientras que la alternativa es que la capacidad del modelo ARMA(5,11)
es superior. Los valores p de ambas pruebas se presentan en el gráfico 6.
7
Gráfico 6. Valores p prueba Diebold-Mariano
1.00
0.90
0.80
0.70
0.60
0.50
0.40
0.30
0.20
0.10
0.00
ARMA
(3,11)
ARMA
(2,0)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Horizonte (meses)
En este gráfico, la línea punteada inferior representa el umbral del 5% en la probabilidad del
estadístico de prueba. Así, en los horizontes donde la probabilidad se encuentre por debajo de
esta línea punteada se puede concluir que hay suficiente evidencia como para considerar la
capacidad de pronóstico del modelo ARMA(5,11) mejor que la del modelo que representa la
línea. O sea, la capacidad del modelo ARMA(5,11) es mejor que la del ARMA(2,0) a plazos de 2,
3, 4 y 24 meses y es mejor que la del modelo ARMA(3,11) a plazos de 10, 11, 13, 14, 15, 16 y
17 meses con un 95% de confianza.
Una manera alternativa de plantear esta prueba es invirtiendo el orden de comparación, de
manera que la hipótesis alternativa es que la capacidad de pronóstico del modelo ARMA(5,11)
es peor. Si se representan los valores p de la prueba sin invertir el orden de comparación por
q, los valores p de la prueba al invertirse el orden de comparación corresponden a 1-q. En el
gráfico 6, la línea punteada superior indica el umbral del 5% de esta probabilidad. Por lo
tanto, si alguna de las líneas en el gráfico estuviera por encima de esta línea punteada se
podría concluir que la capacidad de pronóstico del modelo ARMA(5,11) es peor a
determinado plazo, pero se puede observar que no se da el caso. Es decir, las pruebas DieboldMariano efectuadas concluyen que hay evidencia como para considerar la capacidad de
pronóstico del modelo ARMA(5,11) superior a la de los otros dos
5. Conclusiones
En este documento se hizo una evaluación de distintas especificaciones para un modelo
univariado ARMA(p,q) para la proyección de la inflación. Inicialmente se consideraron
133610 modelos distintos. Estos pasaron por un proceso de selección con el fin de reducir el
número de modelos a un grupo de 6. Dentro de este grupo se incluyó una variante del modelo
ARMA(2,0) recomendado en la última validación como punto de comparación.
8
De este grupo, uno fue descartado por haber fuerte evidencia de la no normalidad de sus
errores, y otros tres por presentar evidencia de autocorrelación. Los tres restantes tienen
errores homocedásticos. Estos corresponden a un ARMA(3,11) con dicotómica que es uno
entre agosto y noviembre de 2008, un ARMA(5,11) con dicotómica que es uno entre julio y
diciembre de 2008 y el de referencia, un ARMA(2,0) con dicotómica que es uno entre
diciembre de 2008 y noviembre de 2009. El periodo donde la variable dicotómica es igual a
uno corresponde a un periodo de alta inflación durante 2008 para los primeros dos modelos,
mientras que la dicotómica del tercero de los modelos captura el proceso desinflacionario por
el que pasó Costa Rica principalmente durante 2009.
Adicionalmente se estudiaron dos indicadores de capacidad de pronóstico: la raíz del error
cuadrático medio y la U de Theil para pronósticos dinámicos fuera de muestra. Las diferencias
más grandes las muestra el modelo ARMA(3,11) que presenta valores más altos para los
pronósticos dinámicos hechos a plazos entre 8 y 17 meses. Las pruebas de Diebold-Mariano
realizadas favorecen al modelo ARMA(5,11) sobre el ARMA(3,11) a plazos de 10, 11, 13, 14,
15, 16 y 17 meses, y sobre el modelo ARMA(2,0) a plazos de 2, 3, 4 y 24 meses.
Considerando estos hechos, se concluye que el modelo más adecuado para la proyección de la
inflación es el ARMA(5,11) con dicotómica igual a uno entre julio y diciembre de 2008. Es
superior al modelo ARMA(3,11) con dicotómica igual a uno entre agosto y noviembre de 2008
por cuanto su capacidad de pronóstico a distintos plazos se considera mejor. Es superior que
el ARMA(2,0) con dicotómica igual a uno entre diciembre de 2008 y noviembre de 2008 en
términos de pronóstico a menos plazos, pero el correlograma simple y la baja probabilidad de
no rechazar autocorrelación en los errores del modelo ARMA(2,0) hace que se prefiera el
ARMA(5,11).
9
6. Referencias
Enders, Walter (2010). Applied Econometric Time Series. (Tercera edición). Hoboken, Nueva
Jersey: Wiley.
Hoffmaister, Alexander W.; Saboría, Gabriela; Solano, Ivannia y Solera, Álvaro (2000).
Modelos univariables de la inflación (Nota de investigación No 5-00). San José: Banco Central
de Costa Rica, División Económica.
Hoffmaister, Alexander W.; Solano, Ivannia; Solera, Álvaro y Vindas, Katia (2001).
Combinación de las proyecciones de inflación (Nota de investigación No 01-01). San José: Banco
Central de Costa Rica, División Económica.
Mora, Carlos y Rodríguez, Adolfo (2009). Combinación de las proyecciones de inflación:
nuevas metodologías (Documento de investigación DEC-DIE-010-2009). San José: Banco
Central de Costa Rica, Departamento de Investigación Económica.
Muñoz, Evelyn (2008). Validación del modelo univariable de inflación empleado en la
combinación de pronósticos (Informe Técnico DIE-08-2008-IT). San José: Banco Central de
Costa Rica, Departamento de Investigación Económica.
Rodríguez, Adolfo (2009). Modelo ARMA para la proyección de la inflación en Costa Rica
(Informe Técnico DEC-DIE-045-2009-IT). San José: Banco Central de Costa Rica,
Departamento de Investigación Económica.
10
7. Anexos
7.1.
Criterios de información de modelos seleccionados
Cuadro 4. Criterios de información y posicionamiento relativo
Akaike
Inicio
Final
dicotómica dicotómica
Schwarz
Hannan-Quinn
Valor
Posición
Valor
Posición
Valor
Posición
Posición
promedio
ARMA(3,11)
ago-08
nov-08
-7.710
2
-7.427
3
-7.596
1
2
ARMA(3,11)
ene-08
dic-08
-7.708
3
-7.426
4
-7.594
2
3
ARMA(1,11)
dic-08
nov-09
-7.692
9
-7.444
1
-7.592
3
4.3
ARMA(3,11)
oct-08
nov-08
-7.704
5
-7.421
6
-7.589
4
5
ARMA(5,11)
jul-08
dic-08
-7.717
1
-7.399
13
-7.588
5
6.3
ARMA(1,11)
dic-08
nov-10
-7.687
12
-7.439
2
-7.586
6
6.7
ARMA(2,0)
dic-08
nov-09
-7.200
1293
-7.130
295
-7.172
977
855
Modelo
7.2.
Modelos ARMA seleccionados para el análisis
Cuadro 5. Modelo ARMA(3,11) con dicotómica entre agosto y noviembre de 2008
Variable
C
D_1
AR(1)
AR(2)
AR(3)
MA(1)
MA(2)
MA(3)
MA(4)
MA(5)
MA(6)
MA(7)
MA(8)
MA(9)
MA(10)
MA(11)
R-cuadrado
R-cuadrado ajust.
E.E. de regresión
SEC
Log versimilitud
Estad-F
Prob(Estad-F)
Raíces AR
Raíces MA
Coeficiente
0.0998
0.0049
0.4067
-0.1631
0.3366
0.9760
1.0445
0.9112
0.9343
0.9075
0.9143
0.9254
0.8978
1.0181
0.9323
0.9304
0.9764
0.9743
0.0049
0.0040
713.7691
455.3624
0.0000
0.77
.87-.49i
-.02+.99i
-.84-.53i
Error Estd.
0.0099
0.0020
0.0748
0.0809
0.0742
0.0214
0.0250
0.0298
0.0330
0.0362
0.0342
0.0327
0.0296
0.0271
0.0237
0.0168
-.18+.64i
.87+.49i
-.02-.99i
-.84+.53i
Estad-t
10.0826
2.3970
5.4380
-2.0146
4.5346
45.5473
41.8461
30.5998
28.3467
25.0354
26.7383
28.2925
30.2914
37.6211
39.3653
55.4581
Prom. var. dep.
D.E. var. dep.
CIA
CIS
HQ
E. Durbin-Watson
Prob.
0.0000
0.0176
0.0000
0.0456
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.1082
0.0306
-7.7102
-7.4274
-7.5955
2.0015
-.18-.64i
.49-.86i
-.49+.86i
-0.99
.49+.86i
-.49-.86i
11
Cuadro 6. Modelo ARMA(3,11) con dicotómica entre enero y diciembre de 2008
Variable
C
D_2
AR(1)
AR(2)
AR(3)
MA(1)
MA(2)
MA(3)
MA(4)
MA(5)
MA(6)
MA(7)
MA(8)
MA(9)
MA(10)
MA(11)
R-cuadrado
R-cuadrado ajust.
E.E. de regresión
SEC
Log versimilitud
Estad-F
Prob(Estad-F)
Raíces AR
Raíces MA
Coeficiente
0.1016
-0.0128
0.4398
-0.1423
0.2784
1.0060
1.0156
0.9507
0.9143
0.9224
0.9185
0.8984
0.9265
0.9790
0.9619
0.9241
0.9764
0.9742
0.0049
0.0040
713.6123
454.5548
0.0000
0.75
.87-.49i
-.02+.99i
-.86-.50i
Error Estd.
0.0097
0.0044
0.0780
0.0863
0.0780
0.0305
0.0289
0.0326
0.0350
0.0328
0.0359
0.0312
0.0322
0.0312
0.0261
0.0250
-.15+.59i
.87+.49i
-.02-.99i
-.86+.50i
Estad-t
10.4386
-2.9089
5.6408
-1.6491
3.5706
33.0067
35.1165
29.1234
26.1479
28.0990
25.5925
28.7608
28.7445
31.4124
36.8309
36.9601
Prom. var. dep.
D.E. var. dep.
CIA
CIS
HQ
E. Durbin-Watson
Prob.
0.0000
0.0041
0.0000
0.1010
0.0005
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.1082
0.0306
-7.7084
-7.4257
-7.5938
2.0363
-.15-.59i
.49+.86i
-.49+.86i
-0.99
.49-.86i
-.49-.86i
12
Cuadro 7. Modelo ARMA(1,11) con dicotómica entre
diciembre de 2008 y noviembre de 2009
Variable
C
D_3
AR(1)
MA(1)
MA(2)
MA(3)
MA(4)
MA(5)
MA(6)
MA(7)
MA(8)
MA(9)
MA(10)
MA(11)
R-cuadrado
R-cuadrado ajust.
E.E. de regresión
SEC
Log versimilitud
Estad-F
Prob(Estad-F)
Raíces AR
Raíces MA
Coeficiente
0.1040
-0.0168
0.3755
1.0276
0.9866
0.9594
0.9332
0.9343
0.9174
0.9238
0.9160
0.9416
0.9778
0.8863
0.9754
0.9735
0.0050
0.0041
710.1108
510.2100
0.0000
0.38
.86-.49i
-.01+.99i
-.85+.48i
Error Estd.
0.0068
0.0046
0.0764
0.0334
0.0317
0.0331
0.0383
0.0348
0.0365
0.0336
0.0357
0.0291
0.0266
0.0274
.86+.49i
-.01-.99i
-.85-.48i
Estad-t
15.3715
-3.6350
4.9179
30.7562
31.1562
29.0215
24.3636
26.8402
25.1221
27.4827
25.6435
32.3421
36.7050
32.3705
Prom. var. dep.
D.E. var. dep.
CIA
CIS
HQ
E. Durbin-Watson
Prob.
0.0000
0.0004
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.1082
0.0306
-7.6918
-7.4444
-7.5915
2.0260
.49+.86i
-.51+.85i
-0.99
.49-.86i
-.51-.85i
13
Cuadro 8. Modelo ARMA(3,11) con dicotómica entre octubre y noviembre de 2008
Variable
C
D_4
AR(1)
AR(2)
AR(3)
MA(1)
MA(2)
MA(3)
MA(4)
MA(5)
MA(6)
MA(7)
MA(8)
MA(9)
MA(10)
MA(11)
R-cuadrado
R-cuadrado ajust.
E.E. de regresión
SEC
Log versimilitud
Estad-F
Prob(Estad-F)
Raíces AR
Raíces MA
Coeficiente
0.0991
0.0048
0.4232
-0.1585
0.3278
0.9744
1.0402
0.9077
0.9360
0.9055
0.9120
0.9262
0.8887
1.0101
0.9310
0.9313
0.9763
0.9741
0.0049
0.0040
713.2210
452.5464
0.0000
0.77
.87-.49i
-.02-.99i
-.84-.53i
Error Estd.
0.0102
0.0022
0.0760
0.0815
0.0751
0.0218
0.0257
0.0289
0.0310
0.0343
0.0322
0.0313
0.0279
0.0265
0.0235
0.0172
-.17+.63i
.87+.49i
-.02+.99i
-.84+.53i
Estad-t
9.6985
2.2013
5.5663
-1.9454
4.3667
44.5992
40.4222
31.3766
30.1562
26.3793
28.3105
29.5613
31.8347
38.1291
39.5742
54.0923
Prom. var. dep.
D.E. var. dep.
CIA
CIS
HQ
E. Durbin-Watson
Prob.
0.0000
0.0291
0.0000
0.0534
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.1082
0.0306
-7.7041
-7.4214
-7.5895
1.9972
-.17-.63i
.49-.86i
-.49-.86i
-0.99
.49+.86i
-.49+.86i
14
Cuadro 9. Modelo ARMA(5,11) con dicotómica entre julio y diciembre de 2008
Variable
C
D_5
AR(1)
AR(2)
AR(3)
AR(5)
MA(1)
MA(2)
MA(3)
MA(4)
MA(5)
MA(6)
MA(7)
MA(8)
MA(9)
MA(10)
MA(11)
R-cuadrado
R-cuadrado ajust.
E.E. de regresión
SEC
Log versimilitud
Estad-F
Prob(Estad-F)
Raíces AR
Raíces MA
Coeficiente
0.1015
0.0042
0.4230
-0.2456
0.2379
0.1556
0.9517
1.0757
1.0663
1.1734
1.1125
1.1185
1.1619
1.0564
1.0561
0.9155
0.9227
0.9759
0.9736
0.0050
0.0041
711.9066
415.4629
0.0000
0.82
-.39-.49i
.85-.52i
.01+.99i
-.84-.53i
Error Estd.
0.0107
0.0021
0.0779
0.0830
0.0758
0.0712
0.0251
0.0319
0.0402
0.0519
0.0574
0.0569
0.0569
0.0484
0.0394
0.0315
0.0183
Estad-t
9.5095
1.9920
5.4314
-2.9573
3.1398
2.1856
37.9880
33.6779
26.5438
22.6107
19.3909
19.6625
20.4206
21.8326
26.8050
29.1016
50.3282
Prom. var. dep.
D.E. var. dep.
CIA
CIS
HQ
E. Durbin-Watson
Prob.
0.0000
0.0480
0.0000
0.0036
0.0020
0.0303
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.1082
0.0306
-7.6785
-7.3781
-7.5567
1.9677
.19-.67i
.19+.67i
-.39+.49i
.85+.52i
.01-.99i
-.84+.53i
.49+.86i
-.49+.86i
-0.99
.49-.86i
-.49-.86i
15
Cuadro 10. Modelo ARMA(1,11) con dicotómica entre
diciembre de 2008 y noviembre de 2010
Variable
C
D_6
AR(1)
MA(1)
MA(2)
MA(3)
MA(4)
MA(5)
MA(6)
MA(7)
MA(8)
MA(9)
MA(10)
MA(11)
R-cuadrado
R-cuadrado ajust.
E.E. de regresión
SEC
Log versimilitud
Estad-F
Prob(Estad-F)
Raíces AR
Raíces MA
Coeficiente
0.1047
-0.0110
0.2652
1.0973
1.0816
1.1525
1.1655
1.1994
1.1974
1.1373
1.1065
1.0339
1.0266
0.8991
0.9753
0.9734
0.0050
0.0042
709.6284
507.4292
0.0000
0.27
.85+.52i
-.02-.99i
-.87+.47i
Error Estd.
0.0066
0.0034
0.0784
0.0259
0.0294
0.0286
0.0355
0.0361
0.0313
0.0358
0.0316
0.0250
0.0256
0.0191
.85-.52i
-.02+.99i
-.87-.47i
Estad-t
15.8112
-3.1858
3.3832
42.2961
36.7835
40.2678
32.7936
33.2305
38.2615
31.7799
34.9807
41.3291
40.1371
47.0932
Prom. var. dep.
D.E. var. dep.
CIA
CIS
HQ
E. Durbin-Watson
Prob.
0.0000
0.0017
0.0009
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.1082
0.0306
-7.6865
-7.4391
-7.5862
2.0169
.49-.86i
-.51-.85i
-0.99
.49+.86i
-.51+.85i
Cuadro 11. Modelo ARMA(2,0) con dicotómica entre
diciembre de 2008 y noviembre de 2009
Variable
Coeficiente
Error Estd.
Estad-t
Prob.
C
0.0997
0.0120
8.3060
0.0000
D_7
-0.0188
0.0044
-4.2494
0.0000
AR(1)
1.3562
0.0690
19.6626
0.0000
AR(2)
-0.3995
0.0686
-5.8225
0.0000
R-cuadrado
0.9552
Prom. var. dep.
0.1082
R-cuadrado ajust.
0.9544
D.E. var. dep.
0.0306
E.E. de regresión
0.0065
CIA
-7.2002
SEC
0.0076
CIS
-7.1295
Log versimilitud
655.6203
HQ
-7.1716
Estad-F
1256.6374
E. Durbin-Watson
1.8986
Prob(Estad-F)
0.0000
Raíces AR
0.92
0.43
16
Fly UP