1 / 29

Econometr

benjamin
Download Presentation

Econometr

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


    1. Econometría Aplicada: Series de Tiempo DR. PELAYO DELGADO TELLO

    3. TIPOS DE MODELOS MULTIVARIADOS DE SERIES DE TIEMPO Modelos estáticos. Modelos dinámicos Modelos con retardos distribuidos

    4. Problemas Frecuentes en modelos con series de Tiempo Estacionalidad de las variables Quiebre estructural Autocorrelación Heterocedasticidad (con menor frecuencia en este tipo de modelos) Series no estacionarias (regresiones espurias)

    5. Caso Práctico Planteamiento del problema En los últimos cinco años la empresa Ripley ha invertido en publicidad y promociones con el objetivo de incrementar sus ventas. ¿Estas inversiones fueron efectivas? ¿Qué tipo de inversión fue más efectiva? ¿En cuanto se incremento las ventas por efecto de estas inversiones?

    6. MODELO ECONÓMICO La teoría del consumidor argumenta que las variables que determinan la demanda son, el ingreso, los precios, gustos y preferencias.

    7. Hipótesis Los gastos en publicidad y promoción han influido positivamente sobre las ventas. El gasto en publicidad influye en la misma magnitud que el gasto en promoción. Los incrementos de los ventas en los dos últimos años se deben en mayor proporción a los gastos en promoción.

    8. Modelo Econométrico Argumentando que entorno a los precios están las promociones que incentivan a adquirir los bienes y la publicidad que esta orientada a motivar los gustos y preferencias de los individuos de acuerdo a sus ingresos presentes y futuros, (el ingreso presente y futuro jugaría un papel preponderante dado que existe un suavizamiento de consumo a través de líneas de crédito) se plantea el siguiente modelo:

    9. FUENTE - DATOS Los datos han sido simulados a partir de un reporte de ventas y gastos en publicidad de la revista coyuntura económica del mes de julio del 2007.

    10. Análisis Preliminar de las series Análisis Grafico Son crecientes en el tiempo Pueden presentar estacionalidad Tienen una alta volatilidad Las ventas puede presentar un quiebre estructural en tendencia e intercepto

    11. Preparación de Datos Primero se debe desestacionalizar las variables. En eviews: Abrir la variable Ingresar a la opción: Proc/Seasonal Adjustment/Census X12

    12. Se debe selecciónar el método de desestacionalización (multiplicativo o Aditivo) Y también se debe seleccionar las salidas que se desea (Variable ajustada estacionalmente

    13. Nuevas variables desestacionalizadas Después de haber desestacionalizado las variables en el Workfile aparecerá, las nuevas variables sin el componente estacional

    14. Variables Desestacionalizadas La variable desestacionalizada, regula las variaciones estacionales innecesarias de la variable (estas luego se pueden incrementar en el resultado final) Y sigue mantiene las características iniciales de la variable original.

    15. VARIABLES EN LOGARITMOS Para transformar una variable en logaritmos se debe seguir las siguientes instrucciones. En eviews Series lventas = log(ventas_sa) Series lpro = log(pro_sa) Series lpub = log(pub_sa)

    16. PRESENTACION GRAFICA Las variables en logaritmos disminuyen la volatilidad de las variables. Su análisis es en porcentajes (Elasticidades análisis de sensibilidad)

    17. PRIMEROS RESULTADOS:

    18. Como se explico anteriormente, los modelos de series de tiempo frecuentemente presentan problemas de quiebre estructural. Para detectar el quiebre estructural se utiliza el test gráfico de CUSUM y CUSUM2, la idea de este test, es que si SCR (suma de los residuos recursivos al cuadrado) sobrepasan las líneas de confianza entonces existe problemas de quiebre estructural Problemas de Estabilidad estructural

    19. PROCEDIMEINTO E-VIEWS Regresionar el modelo View Estability Tests Recursive estimates CUSUM o CUSUM squares test Okey

    20. Problemas de quiebre estructural

    21. CONTRASTES DE CHOW El contraste de predicción de Chow también se utiliza para detectar quiebre estructural. Este contraste de Chow divide los datos en dos partes (se le debe dar la fecha de corte) y regresiona por separado y luego compara los residuos obtenidos, si estos son distintos entonces existe quiebre estructural. La Hipótesis Nula de este Contraste de Chow es el modelo tiene estabilidad paramétrica. Y la hipótesis alterna, existe problemas de quiebre estructural(no tiene estabilidad paramétrica)

    22. CONTRASTE DE CHOW EN EVIEWS Primero se debe regresionar. Se debe saber la fecha de corte >view / stability test / Chow Breakpoint test Se debe introducir la fecha de quiebre

    23. MODELOS SIN PROBLEMA DE QUIEBRE ESTRUCTURAL

    24. PROBLEMAS DE AUTOCORRELACIÓN Se da cuando los residuos del modelo están autocorrelacionados. No se cumple que las cov(ei,ej)=0

    25. Consecuencias Como en el caso de la heterocedasticidad, en presencia de autocorrelación los estimadores MCO continúan siendo lineales-insesgados al igual que consistentes, pero dejan de ser eficientes.

    26. COMO DETECTAR Estadístico Durbin Watson Ho: No existe autocorrelación de 1er orden Ha: Existe autocorrelación de 1er orden.

    27. Para el caso práctico En ambos modelos existe problemas de autocorrelación de primer orden debido a que el estádistico DW es menor de 2.

    28. Para el caso práctico En ambos modelos existe problemas de autocorrelación de primer orden debido a que el estádistico DW es menor de 2.

    29. PRUEBA DEL CORRELOGRAMA RESIDUAL Esta prueba se usa para determinar la estructura autor regresiva de orden . Pasos: 1.- Regresionar el modelo 2.- VIEW 3.- RESIDUAL TEST 4.- CORRELOGRAM SQUARED RESIDUALS 5.- OBVSERVAR EL GRAFICO Y DETERMIANR EL ORDEN

    31. PROBLEMAS DE HETEROCEDASTICIDAD Hasta el momento hemos realizado el análisis de los dos modelos (El modelo sin desestacionalizar y el modelo Desestacionalizado) y no se ha observado claramente el beneficio de trabajar con datos desestacionalizados. El test de White para identificar problemas de heterocedasticidad podría definir con cual de los dos modelos podemos quedarnos.

    32. TEST DE WHITE PARA IDENTIFICAR HETEROCEDASTICIDAD El modelo sin desestacionalizar presenta problemas de heterocedasticidad, debido a que su probabilidad F-stat es menor al 5% (se rechaza la hipotesis de homocedasticidad El modelo desestacionalizado no presenta problemas de heterocedasticidad, y por lo tanto sus resultados son mucho mas eficientes.

    33. CONTRASTACIÓN DE HIPÓTESIS Los gastos en publicidad y promoción han influido positivamente sobre las ventas. Si el gasto en publicidad se incrementa en mil soles entonces las ventas se incrementarán en 36.94 De la misma manera Si el gasto en promoción se incrementa en mil soles entonces las ventas se incrementarán en 34.24

    34. Segunda Hipótesis: El gasto en publicidad influye en la misma magnitud que el gasto en promoción. Para contrastar esta hipótesis, en primer lugar hay que tener en cuenta dos periodos. Antes de octubre del 2005 y después del 2005. Para esto se debe hacer un test de Wald,

    35. Tercera Hipótesis: Los incrementos de los ventas en los dos últimos años se deben en mayor proporción a los gastos en promoción. El coeficiente que considera el quiebre estructural es significativo y positivo, este resultado indica que en los dos últimos años el gasto de mil soles en promoción a incrementado las ventas en cerca de 15 mil soles adicionales.

    36. PRONÓSTICOS EN MODELOS MULTIVARIADOS Para realizar un proyecciones en los moduelos mutivariados se debe tener en cuenta que: Se debe tener un modelo que se ajuste bien para las proyecciones de la variable dependiente. Se debe conocer los valores futuros de las variables independientes.

    37. PROYECCIÓN Para proyectar se debe tener un buen nivel de ajuste del modelo. Para observar esto se debe de realizar un análisis del poder predictivo del modelo. En Eviews Regresionar el mejor modelo Forecast (presionar el boton Forecast)

    38. Para evaluar si un modelo tiene un buen poder predictivo, se analiza el Coeficiente de desigualdad de Theil, este debe estar cercano a cero para que el modelo sea un buen modelo para predecir. Por otro lado la proporción de covarianza debe ser cercano a 1.

    39. PREDICCIÓN Si el modelo es bueno para predicir, entonces se debe de seguir las siguientes pasos. Expandir la muestra (recomendable solo uno o dos periodos hacia delante). >Expand 2002.1 2007.6 Ingresar valores para las variables independientes

    41. En la ventana de predicción se debe introducir el periodo que se desea proyectar. También se debe ingresar la variable en la cual se van a depositar las predicciones

    42. Los valores proyectados serán

    43. THE END

More Related