Econometrı́a II - Primer Semestre 2025

Problem Set 4
Profesor: Serafı́n Frache — [email protected]
Asistente: Micaela Garrido — [email protected]

El presente práctico deberá entregarse vı́a correo electrónico antes del viernes 16 de mayo a las
08:00. Entregas posteriores no serán tomadas en cuenta en la nota de práctico. Se debe entregar
un archivo en formato PDF y, si corresponde, el código utilizado en el software de su preferencia
de manera de poder replicar los resultados. Cada archivo adjunto debe incluir el apellido de los
integrantes del grupo (qué se encuentra listado en el Moodle). Si bien la intención no es evitar que
haya interacciones entre grupos, cualquier detección de copia o plagio entre grupos será
debidamente sancionada. Para la evaluación del trabajo no sólo se considerará los resultados
obtenidos, sino también en la redacción de las respuestas y el uso apropiado de la terminologı́a
introducida en el curso.

1
1. Calcular momentos
Considere los siguientes procesos analizados en clase:
(a) Random Walk (RW):
yt = yt−1 + εt
(b) Random Walk con drift (RWD):

yt = yt−1 + δ + εt
(c) Tendencia determinı́stica (TD):

yt = α + βt + εt
(d) AR(1):
yt = ρyt−1 + εt

Siendo εt ∼ W N.

Para cada uno de los procesos:

i. Calcule los momentos incondicionales de primer y segundo orden. ¿Son
estacionarios esos procesos? Explique.
ii. Calcule la media y varianza condicional.
iii. Realice la proyección a uno, dos y tres pasos.
Solución:
RW: Resolviendo iterando hacia atras

yt = yt−1 + εt
yt = (yt−2 + εt−1 ) + εt
yt = ((yt−3 + εt−2 ) + εt−1 ) + εt
..
.
t
X
y t = y0 + εj
j=1

Media incondicional

2
 t
!
X
E(yt ) = E y0 + εj
j=1
t
!
X
= E(y0 ) + E εj
| {z }
y0 j=1
| {z }
0
= y0

Varianza incondicional

t
!
X
Var(yt ) = Var y0 + εj
j=1
t
!
X
= Var(y0 ) + Var εj
j=1
| {z }
=tσ 2
= tσ 2

No es un proceso estacionario porque no se cumple el supuesto de varianza

constante. En un RW la varianza no es constante, crece con el tiempo.
Media condicional

E(yt | yt−1 ) = E((yt−1 + εt ) | yt−1 )

= yt−1 + E(εt | yt−1 )
= yt−1

Porque yt−1 es conocido y E(εt | yt−1 ) = 0.

Varianza condicional

Var(yt | yt−1 ) = Var((yt−1 + εt ) | yt−1 )

= Var(yt−1 | yt−1 ) + Var(εt | yt−1 )
= σ2

3
Proyecciones

• Proyección a 1 paso: E(yt | yt−1 ) = yt−1

• Proyección a 2 pasos: E(yt+1 | yt−1 ) = yt−1
• Proyección a 3 pasos: E(yt+2 | yt−1 ) = yt−1

Por definición las predicción de un RW siempre son las mismas.

RW con drift Similar a RW. Iteramos RW con drift:

yt = δ + yt−1 + εt
= δ + (δ + yt−2 + εt−1 ) + εt
= δ + (δ + (δ + yt−3 + εt−2 ) + εt−1 ) + εt
..
.
t
X
= δt + y0 + εj
j=1

Media:

t
!
X
E(yt ) = E δt + y0 + εj
j=1
t
!
X
= E(δt) + E(y0 ) + E εj
j=1
= δt + y0

Varianza:

4
 t
!
X
Var(yt ) = Var δt + y0 + εj
j=1
t
!
X
= Var(δt) + Var(y0 ) + Var εj
j=1
2
= tσ

El proceso no es estacionario ya que no cumple los supuesto de media y vari-

anza constante.
Media condicional

E(yt | yt−1 ) = E((δ + yt−1 + εt ) | yt−1 )

= δ + yt−1 + E(εt | yt−1 )
= δ + yt−1

Varianza condicional
Var(yt | yt−1 ) = Var((δ + yt−1 + εt ) | yt−1 )
= Var(δ | yt−1 ) + Var(yt−1 | yt−1 ) + Var(εt | yt−1 )
= σ2

Proyecciones
• Proyección a 1 paso: E(yt | yt−1 ) = yt−1 + δ
• Proyección a 2 pasos: E(yt+1 | yt−1 ) = yt−1 + 2δ
• Proyección a 3 pasos: E(yt+2 | yt−1 ) = yt−1 + 3δ
Tendencia determinı́stica:
Media:

E(yt ) = E(α + βt + εt )
= α + βt + E(εt )
= α + βt

5
Varianza:

Var(yt ) = Var(α + βt + εt )
= Var(α + βt) + Var(εt )
= σ2

El proceso no es estacionario porque no cumple el supuesto de media constante.

Media condicional

E(yt | yt−1 ) = α + βt

Varianza condicional

Var(yt | yt−1 ) = σ 2

Los momentos condicionales son iguales a los incondicionales, ya que este

proceso no es autorregresivo.
Proyecciones
• Proyección a 1 paso: E(yt | yt−1 ) = α + β(t)
• Proyección a 2 pasos: E(yt+1 | yt−1 ) = α + β(t + 1)
• Proyección a 3 pasos: E(yt+2 | yt−1 ) = α + β(t + 2)
AR(1):
Podemos escribir el proceso como un MA(∞):

∞
X
yt = ρj εt−j
j=0

Media incondicional

6
 ∞
!
X
E(yt ) = E ρj εt−j
j=0
∞
X
= ρj E(εt−j )
j=0
X∞
= ρj · 0
j=0
=0

Varianza incondicional

∞
!
X
Var(yt ) = Var ρj εt−j
j=0
∞
X
j
= ρ2 · Var(εt−j )
j=0
∞
X 1
= (ρ2 )j · σ 2 = 2
· σ2
j=0
1−ρ
σ2
=
1 − ρ2

El proceso AR(1) es estacionario cumple los supuestos de media y varianza

constante, es estacionario si |ϕ| < 1.
Media condicional

E(yt | yt−1 ) = ρyt−1

varianza condicional

Var(yt | yt−1 ) = σ 2

Proyecciones

7
 • Proyección a 1 paso: E(yt | yt−1 ) = ρyt−1
• Proyección a 2 pasos: E(yt+1 | yt−1 ) = ρ2 yt−1
• Proyección a 3 pasos: E(yt+2 | yt−1 ) = ρ3 yt−1

2. ¿Y cómo hacemos?
(a) Considere el proceso (a) del Ejercicio 1 y calcule su primera diferencia.
¿Es estacionario este proceso? Justifique.
Solución La primera diferencia de un RW:

∆yt = yt − yt−1 = εt

εt es un ruido blanco con media y varianza constante, por ende la primera

diferencia de un RW es un proceso estacionario, es decir un RW es I(1).
(b) Ahora considere el proceso (b) del Ejercicio 1 y calcule su primera difer-
encia. ¿Es estacionario este proceso? Justifique.
Solución
La primera diferencia de un RW with drift:

∆yt = yt − yt−1 = α + εt

La serie diferenciada de un RW with drift es un ruido blanco más una

constante, con E(∆yt ) = α, V(∆yt ) = σ 2 , con media y varianza constante.
Por lo tanto, ∆yt es un proceso estacionario en covarianzas y un RW with
drift es I(1).
(c) Ahora considere el proceso (c) del Ejercicio 1 y calcule su primera difer-
encia. ¿Es estacionario este proceso?Justifique.
Solución
Primera diferencia de la Tendencia Determinı́stica:

∆yt = (α + βt + εt ) − (α + β(t − 1) + εt−1 )

∆yt = β + εt − εt−1

8
 La primera diferencia de un proceso de tendencia determinı́stica es una
constante β más la diferencia entre dos errores de ruido blanco, con
E(∆yt ) = β y V(∆yt ) = 2σ 2 , es decir con media y varianza constante.
El proceso de tendencia determinı́stica es I(1).
(d) Si respondió afirmativamente la pregunta anterior, ¿es correcta la estrate-
gia de diferenciar siempre una serie que no sea estacionaria para lograr la
estacionariedad?
Solución
Diferenciar la serie es una solución correcta si estamos ante un proceso
RW o RW with drift ya que sabemos que el proceso es no estacionario por
tener raı́z unitaria (estacionariedad estocástica).
En el caso de la tendencia determinista, ∆yt es un proceso esta-
cionario en covarianza. Sin embargo, a diferencia de los ejemplos
vistos en clase, el coeficiente que multiplica a εt−1 es −1, lo que
hace que el proceso MA(1) resultante no sea invertible (es decir,
admite infinitas representaciones de la serie).
Recordar que cuando diferenciamos una serie de tendencia determinı́stica
no estamos modelando la tendencia.

9
 3. Ejercicio computacional: del ruido al orden, calculando Dickey-
Fuller aumentado y algo más
(a) Utilizando la base RGDP, realice las estimaciones para el logaritmo del
GDP real replicando los resultados de la ecuación 4.29 en Enders (2014)
que se reproduce más abajo. Para esto deberá mostrar paso a paso, en el
código, cómo calcula el test de raı́ces unitarias de Dickey-Fuller aumentado
usando MCO. Explique sus resultados.

Solución Ver código. El ADF para el logaritmo del GDP real arroja un
estadı́stico t = -1,489, dado que el valor critico con un α de 5% es -3,45,
no rechazamos H0) raı́z unitaria, la serie es no estacionaria.
(b) Se provee un archivo con 4 de las series del trabajo de Nelson & Plosser
(1982); en particular, PIB real, nominal, ı́ndice de producción industrial y
tasa de desempleo. Aplique el logaritmo natural a dichas series, grafı́quelas
y comente lo que observa.
Solución

(c) Para esas cuatro variables mencionadas replique los valores de las tabla 2
(autocorrelaciones), tabla 3 (autocorrelaciones primera diferencia) y tabla
4 (autocorrelaciones de desviaciones de la tendencia) del paper de Nel-
son & Plosser (1982)1 . Comente los resultados de las tablas. ¿Para qué
1
Tener en cuenta las observaciones utilizadas en cada variable. Los valores pueden no ser exactos ser pero si
cercanos

10
 realizan dichos cálculos los autores?
Solución
Tabla 2:

Series T r1 r2 r3 r4 r5 r6
Real GNP 62 0.95 0.90 0.84 0.79 0.74 0.69
Nominal GNP 62 0.95 0.89 0.83 0.77 0.72 0.67
Industrial Production 111 0.97 0.94 0.90 0.87 0.84 0.81
Unemployment Rate 81 0.75 0.47 0.32 0.17 0.04 −0.01

Tabla 3:

Series T r1 r2 r3 r4 r5 r6
∆ Real GNP 61 0.34 0.04 −0.18 −0.23 −0.19 0.01
∆ Nominal GNP 61 0.44 0.08 −0.12 −0.24 −0.07 0.15
∆ Industrial Production 110 0.03 −0.11 0.00 −0.11 −0.28 0.05
∆ Unemployment Rate 80 0.09 −0.29 0.03 −0.03 −0.19 0.01

Tabla 4:

Series T r1 r2 r3 r4 r5 r6
Desvió de la tendencia Real GNP 62 0.87 0.66 0.44 0.26 0.13 0.07
Desvió de la tendencia Nominal GNP 62 0.93 0.79 0.65 0.52 0.43 0.35
Desvió de la tendencia Industrial Production 111 0.84 0.67 0.53 0.40 0.29 0.28
Desvió de la tendencia Unemployment Rate 81 0.75 0.46 0.30 0.15 0.03 −0.01

11
 (d) Realice el test Dickey-Fuller aumentado que vimos en clase para cada una
de esas cuatro variables. Deberá replicar los resultados hasta la columna
γ de la siguiente tabla -4.3 en pág 210 Enders (2014)-. Utilice los rezagos
especificados para cada variable.

Solución
Table 4: Tabla 4: Replication Table 4.3

Serie p a0 a2 γ
Real GNP 2 0.866 0.006 −0.189
Nominal GNP 2 0.994 0.005 −0.095
Industrial Production 6 0.053 0.007 −0.168
Unemployment Rate 4 0.497 −0.001 −0.281

(e) Comente los resultados. En concreto, ¿qué transformaciones deberı́a realizar

para que las series sean estacionarias?
Solución Para las variables real GNP, nominal GNP y producción industrial,
no es posible rechazar la hipótesis nula γ = 0 al nivel del 0.05, por ende
las series no son estacionarias. Para la tasa de desempleo el estadı́stico t en
nuestra replicación es -3.089 mientras el valor critico al 90% es 3.13, en este
caso tampoco es posible rechazar H0. Notar que en la tabla reportada en el
paper t = -3.55 por tanto rechazo H0 al 95% de confianza y la serie parece ser
estacionaria.
Para las series no estacionarias en covarianzas una posible solución es difer-
enciar la serie.
(f) En base a lo reportado en el punto (e), ¿qué diferencia encuentra con respecto
a la modelización que hacen Nelson & Plosser (1982) en la tabla 5 de su paper?
Explique.

12
 Solución Nelson & Plosser (1982) reportan el ratio de los coeficientes esti-
mados sobre su respectivo standar error. Enders (2014) estima un modelo en
primeras diferencias, reporta γ y testea H0) γ = 0. Por su parte, Nelson &
Plosser (1982) estima el modelo en nivel:

k
X
zt = µ + γt + ρ1 zt−1 + ρj (zt+1 − zt−j ) + ut
j=2

donde les interesa probar si ρ (γ + 1 en Enders (2014)) es difiere de la unidad.

Por tanto γ en nuestras estimaciones es ρ1 − 1.H0 : γ = 0 ⇔ ρ1 = 1. Esto
implica que ambos enfoques testean la misma hipótesis de raı́z unitaria, pero
a través de formulaciones distintas.
4. Ejercicio computacional: PIB Uruguay
Utilice la serie en logaritmo del ı́ndice del PIB para Uruguay vista en clase y
que se provee en el Moodle.
(a) Grafique la serie y comente. ¿Observa, a simple vista, una tendencia de
largo plazo?
Solución
(b) Estime un modelo modelo AR(1) por MCO (es decir, la variable contra su
rezago y una constante) y también un modelo AR(1) con tendencia lineal.
¿Qué le sugieren los resultados sobre la posibilidad de estar en presencia
de un proceso con raı́z unitaria? ¿Y sobre la tendencia? ¿Puede con los
datos de estas regresiones realizar un test de raı́z unitaria? Explique.
Solución
Ver código

13
 – AR(1): ρ es 1 y significativo al 1% → indicios de raı́z unitaria.
– Tendencia lineal: significativa al 1% y reduce ρ → indicios tendencia
determinı́stica.
No puedo realizar test de raı́z unitaria con estas regresiones: estadı́sticos
no se distribuyen T.
(c) Compute los correlogramas totales y parciales para la serie. ¿Puede ver
en ellos algún indicio de no estacionaridad?
Indicio de raı́z unitaria: acf no decae geográficamente, estilı́sticamente
distinto de cero aun lego del rezago 21.
(d) Realice un test de Dickey-Fuller (DF) para testear la presencia de raı́z
unitaria con la especificación que considere adecuada (con o sin constante,
con o sin tendencia), justificando su respuesta para esta elección. ¿Qué
conclusión obtiene?
– Si la tendencia es determinı́stica, al removerla la serie puede ser esta-
cionaria (modelo trend-stationary).
– Si la tendencia es estocástica, la serie es no estacionaria con raı́z uni-
taria y su diferencia será estacionaria (modelo difference-stationary).
Con constante sin tendencia no rechazo H0) raı́z unitaria por tanto hay
evidencia de que la serie no es estacionionarı́a. Con constante y tendencia
rechazo H0), la serie es estacionario.

14
 – Tendencia determinı́stica no en linea con la teorı́a macro.
– Tendencia estocástica, evidencia de serie no estacionaria.
(e) Realice un test Dickey-Fuller Aumentado (ADF) de raı́z unitaria con la
especificación que considere adecuada, seleccionando el número de rezagos
a través de criterios de información. ¿Qué conclusión obtiene con este test?
Solución ADF con constante sin tendencia, tampoco se rechaza H0) de
raı́z unitaria, por tanto la serie no es estacionaria.
(f) Finalmente, realice el test DF-GLS de raı́z unitaria con la especificación
que considere adecuada. ¿Qué conclusión obtiene con este test?
Solución DF-GLS con constante sin tendencia, tampoco se rechaza H0)
de raı́z unitaria, por tanto la serie no es estacionaria.
(g) Dado los resultados obtenidos, comente sobre la evidencia encontrada a
favor de la hipótesis de raı́z unitaria. ¿Qué tranformación realizarı́a para
hacer la serie estacionaria?
Solución Para transformar a esta serie en estacionaria podemos diferen-
ciarla. Analizar ∆yt mediante acf, pac y test de raı́z unitaria sobre esta
nueva serie.

15
References
Enders, W. (2014). Applied Econometric Time Series. John Wiley & Sons, 4th edition.

Nelson, C. R. & Plosser, C. R. (1982). Trends and random walks in macroeconmic time series:
some evidence and implications. Journal of monetary economics, 10(2), 139–162.

16