Martin Econometrics: Econometría y Aplicaciones

Mg. José-Manuel Martin Coronado Chief Economist, EMECEP Consultoría www.emecep-consultoria.com Docente Principal, Instituto de Econometría de Lima www.institutoeconometria.com www.martineconometrics.com Lima, 29 de julio de 2019 1.- Introducción El tratamiento de la autocorrelación es uno de los aspectos fundamentales de la econometría. Más allá de que tenga que ser un supuesto MCO, la autocorrelación de los errores genera ineficiencia en los parámetros estimados y por lo tanto un mayor error en la variable endógena estimada. Por ello, su tratamiento es prioritario.  Ahora bien, esto plantea una interrogante: ¿Qué tipo de modelamiento y/o método de estimación es el más recomendable? Muchos dirán automáticamente que debe hacerse un SARIMA, pero antes de ello, debe analizarse la naturaleza de la serie de tiempo y verificar si efectivamente requiere hacerse un modelo con esas propiedades o tal vez uno más simple que cumpla con el cometido.  En el presente artículo se el

Mg. José-Manuel Martin Coronado Chief Economist, EMECEP Consultoría, www.emecep-consultoria.com Docente Principal, Instituto de Econometría de Lima, www.institutoeconometria.com Es lamentable que alumnos profesores todavía enseñen la técnica de eliminación de variables como criterio de parsimonia automática para la especificación de modelos econométricos. Esta técnica es una simplificación mecánica del enfoque econométrico del London School of Economics de exploración de modelos (método de Hendry de lo general a lo específico), el cual tiene mayor profundidad analítica que, obviamente, no se está transmitiendo a los alumnos. En términos sencillos, la versión simplificada del LSE approach , la cual es curiosamente similar al enfoque estadístico ateórico, es que cuando el modelador tiene una ecuación con k variables seleccionadas, y observa que J variables son no significativas, se eliminan esas últimas, quedándose con K - J variables. Así en el enfoque extremo, no hay que ob

Mg. José-Manuel Martin Coronado Chief Economist, EMECEP Consultoría Docente Principal, Instituto de Econometria de Lima www.institutoeconometria.com Después de un tiempo de calma, Eviews quiere regresar al escenario econométrico. La competencia es grande pero aquí le daremos una ayuda, para incrementar su popularidad y revalorar sus ventajas. En particular, se presentará las tres formas de estimar modelos econométricos en este paquete estadístico. Se asumirá que el estudiante ya cuenta con un workfile y en el mismo hay por lo menos tres variables ( Y, X1 y X2 ) 1) El Método Visual de Menúes y botones La primera es aún la forma que usan muchos profesores antiguos, y es la de los botones y menúes. En este caso, debe hacer click (pulsar, clickear) en OBJECT en la ventana del WORKFILE para luego elegir NEW OBJECT y luego elegir EQUATION , precisando al lado derecho el nombre de dicha ecuación y luego dar click en OK . Alternativamente, puede hacer un procedimiento

Mg. José-Manuel Martin Coronado Chief Economist - EMECEP Consultoría Lima, 10 de julio de 2019 Los modelos ARIMA(p,d,0) se basan en procesos iterativos de estimación que buscan minimizar el valor absoluto del logaritmo del indice de verosimilitud a través de la estimación de un coeficiente de correlación común entre los rezagos de la variable elegida. La versión más simple son los modelos AR (d=0) y los modelos ARI (d=1), mientras que los modelos ARIMA completos requieren la estimación de un parámetro que relaciona a los errores en el tiempo a través de medias móviles (q).  En el caso más sencillo, un modelo MCO autoregresivo de orden uno es: Y t = Bo + B1*Y t-1 + U t , mientras que un modelo ARIMA(1,0,0) sería Y t - pY t-1 = Ao (1-p) + U t . Si se reordena la ecuación: Y t = Ao(1-p) + pY t-1 + U t = Bo + B1*Y t-1 + U t . Por el momento se asume que los errores son similares. Esta especificación permite deducir que Bo = Ao(1-p) y B1 = p . Por ejemplo, si Bo = 315.229