7mo Soluciones

Econometría Avanzada
Taller #7
Soluciones
1. (15 puntos) Defina el crecimiento del salario por hora y la producción por hora como el cambio en logs:
g h rwage=Δ log ( h rwage ) y goutp h r =Δ log ( outp h r ). Considere el modelo
ghrwaget =β 0 + β 1 goutphr t + β2 goutphr t −1 +ut
Esto permite que un incremento en la productividad tenga un efecto contemporáneo y uno rezagado sobre el
crecimiento de salarios.
(i) Estime el modelo utilizando los datos en EARNS y reporte los resultados en una tabla. ¿Es el valor rezagado
de goutphr estadísticamente significativo?
La regresión resultante es
(1)
ghrwage
goutphr 0.728***
(0.167)
goutph_1 0.458***
(0.166)
constante -0.010**
(0.005)
Obs. 39
* p<0.1 ** p<0.05 *** p<0.01
Donde se puede ver que la estimación puntual para goutphr t −1 es altamente significativa.
(ii) Si β 1+ β2 =1, un incremento permanente en la productividad se refleja completamente en un mayor

crecimiento salarial después de un año. Pruebe H 0 : β 1+ β 2=1 contra la hipótesis a dos colas. (Ayuda: Es
posible hacer esta prueba con el comando test .)
Realizamos la prueba usando el comando test

. test goutphr + goutph_1 = 1
( 1) goutphr + goutph_1 = 1
F( 1, 36) = 0.84
Prob > F = 0.3660
Donde vemos que la prueba no resulta estadísticamente significativa, es decir, no podemos rechazar H 0 : β 1+ β 2=1
a los niveles usuales de significancia (10%, 5% y 1%).
(iii) ¿Es necesario que goutp h r t −2 esté en el modelo? Explique.
Para evaluar esta hipótesis corremos la misma regresión, pero agregamos goutphr t −2
1
(1)
ghrwage
goutphr 0.746***
(0.162)
goutph_1 0.374**
(0.167)
goutph_2 0.065
(0.160)
constante -0.011**
(0.005)
Obs. 38
* p<0.1 ** p<0.05 *** p<0.01
Y vemos que la estimación puntual para goutphr t −2 no es estadísticamente significativa. Por lo tanto, no es
necesario agregarlo al modelo de regresión.
2
2. (25 puntos) Use los datos en TRAFFIC2 para este ejercicio. Esta base contiene datos mensuales de accidentes de
tráfico en California desde 1981 a 1989 (Ayuda: Para configurar la base como serie de tiempo utilice la variable t
disponible en la base).
(i) Usando la prueba Dickey-Fuller, pruebe si ltotacc t tiene raíz unitaria.
Configuramos la base como series de tiempo y realizamos la prueba de Dickey-Fuller

. tsset t
Time variable: t, 1 to 108

Delta: 1 unit
. dfuller ltotacc, reg
Dickey–Fuller test for unit root Number of obs = 107

Variable: ltotacc Number of lags = 0
H0: Random walk without drift, d = 0
Dickey–Fuller
Test -------- critical value ---------
statistic 1% 5% 10%
--------------------------------------------------------------
Z(t) -3.310 -3.508 -2.890 -2.580
--------------------------------------------------------------
MacKinnon approximate p-value for Z(t) = 0.0144.
Regression table
------------------------------------------------------------------------------
D.ltotacc | Coefficient Std. err. t P>|t| [95% conf. interval]
-------------+----------------------------------------------------------------
ltotacc |
L1. | -.1923296 .0580973 -3.31 0.001 -.3075259 -.0771333
|
_cons | 2.051337 .6192484 3.31 0.001 .823482 3.279192
------------------------------------------------------------------------------
Donde vemos que la hipótesis nula de raíz unitaria se puede rechazar al 5%, aunque no al 1%.
(ii) Ahora use la prueba Dickey-Fuller aumentada agregando dos rezagos del cambio en ltotacc t en la prueba hecha
en la parte (i). ¿Qué concluye?
Agregando estos dos rezagos obtenemos
. dfuller ltotacc, lag(2) reg
Augmented Dickey–Fuller test for unit root
Variable: ltotacc Number of obs = 105

Number of lags = 2
Dickey–Fuller
3
statistic 1% 5% 10%
--------------------------------------------------------------
Z(t) -1.501 -3.508 -2.890 -2.580
--------------------------------------------------------------
Regression table
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
ltotacc |
L1. | -.0850297 .0566314 -1.50 0.136 -.1973711 .0273118
LD. | -.4727404 .0995575 -4.75 0.000 -.6702357 -.2752451
L2D. | -.2869942 .0937246 -3.06 0.003 -.4729185 -.1010698
|
_cons | .9097415 .6035993 1.51 0.135 -.2876371 2.10712
------------------------------------------------------------------------------
Donde vemos que ahora la hipótesis nula de raíz unitaria no se puede rechazar, ni siquiera al 10%.
(iii) Agregue una tendencia lineal a la prueba de raíz unitaria hecha en la parte (ii). ¿Qué ocurre ahora?
Agregando el término de tendencia tenemos
. dfuller ltotacc, lag(2) trend reg
Variable: ltotacc Number of obs = 105

Number of lags = 2
H0: Random walk with or without drift
Dickey–Fuller
statistic 1% 5% 10%
--------------------------------------------------------------
Z(t) -3.666 -4.038 -3.449 -3.149
--------------------------------------------------------------
Regression table
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
ltotacc |
L1. | -.4252627 .1160105 -3.67 0.000 -.6554242 -.1951013
LD. | -.2525636 .1159053 -2.18 0.032 -.4825163 -.0226108
L2D. | -.1724813 .0958546 -1.80 0.075 -.362654 .0176914
|
_trend | .0012686 .0003828 3.31 0.001 .0005091 .002028
_cons | 4.46616 1.217854 3.67 0.000 2.049972 6.882347
4
------------------------------------------------------------------------------
Donde vemos que vuelve a ocurrir que la hipótesis nula de raíz unitaria se puede rechazar al 5%, aunque no al 1%.
(iv) Dado lo que usted encontró en las partes (i) a (iii) ¿usted diría que ltotacc t puede caracterizarse como un proceso
I (1) o I (0)?
Lo que parecen indicar estas pruebas es que ltotacc t es I (0) con una tendencia lineal. De hecho, la regresión en la
parte (iii) parece indicar un proceso AR(3) estable.
(v) Realice las mismas pruebas de raíz unitaria para prcfat t . ¿Qué concluye respecto de la inclusión de la tendencia
lineal?
Ahora hagamos lo mismo para prcfat t (elimino la presentación de regresiones para acortar la salida de Stata).
. dfuller prcfat

Variable: prcfat Number of lags = 0
Dickey–Fuller
statistic 1% 5% 10%
--------------------------------------------------------------
Z(t) -4.216 -3.508 -2.890 -2.580
--------------------------------------------------------------
. dfuller prcfat, lag(2)
Variable: prcfat Number of obs = 105

Number of lags = 2
Dickey–Fuller
statistic 1% 5% 10%
--------------------------------------------------------------
Z(t) -4.744 -3.508 -2.890 -2.580
--------------------------------------------------------------
. dfuller prcfat, lag(2) trend
5
Variable: prcfat Number of obs = 105
Number of lags = 2
Dickey–Fuller
statistic 1% 5% 10%
--------------------------------------------------------------
Z(t) -5.288 -4.038 -3.449 -3.149
--------------------------------------------------------------
Aquí vemos que en todos los casos se rechaza al 1% la hipótesis de raíz unitaria sea que agreguemos o no un
término de tendencia.
6
3. (16 puntos) Use los datos en BEVERIDGE para este ejercicio. La base contiene observaciones mensuales sobre tasa
de vacantes y tasas de desempleo para Estados Unidos de diciembre 2000 a febrero 2012.
(i) Realice la prueba de Dickey-Fuller con tendencia en urate y vrate. ¿Hay evidencia de que alguna de estas
variables tenga raíz unitaria?
Realizando estas pruebas obtenemos
. dfuller urate, trend

Variable: urate Number of lags = 0
Dickey–Fuller
statistic 1% 5% 10%
--------------------------------------------------------------
Z(t) -0.719 -4.029 -3.445 -3.145
--------------------------------------------------------------
. dfuller vrate, trend

Variable: vrate Number of lags = 0
Dickey–Fuller
statistic 1% 5% 10%
--------------------------------------------------------------
Z(t) -2.501 -4.029 -3.445 -3.145
--------------------------------------------------------------
En ambos casos vemos que no podemos rechazar la hipótesis de raíz unitaria. Es decir, hay evidencia de que tanto
urate y vrate tienen raíces unitarias.
7
(ii) La Curva Beveridge relaciona la tasa de desempleo con la tasa de vacantes, con la más simple de las
relaciones siendo lineal
uratet =β 0 + β 1 vratet +ut
Donde se espera β 1< 0. Estime β 0 y β 1 por MCO y reporte los resultados en una tabla. ¿Encuentra una
relación negativa?
Corremos la regresión de uratet en vratet por MCO y obtenemos
(1)
urate
vrate -3.741***
(0.207)
constante 17.119***
(0.592)
Obs. 135
R-sq 0.711
Errores estándar en paréntesis.
* p<0.1 ** p<0.05 *** p<0.01
Y obtenemos una estimación estadísticamente significativa y negativa para vratet . Indicando una relación negativa
entre ambas variables.
(iii) Explique por qué usted no puede confiar en el intervalo de confianza para β 1 reportado por MCO en la parte
(iii).
En el punto (i) tenemos evidencia de que uratet en vratet pueden tener raíces unitarias, por lo que no es posible
tratarlas como series débilmente dependientes, mucho menos suponer que no hay correlación serial. Por lo tanto,
no podemos confiar ni en las estimaciones puntuales ni en los errores estándar estimados. Mucho menos en los
intervalos de confianza.
(iv) Si usted diferencia urate y vrate antes de correr la regresión ¿cómo es que la estimación de la pendiente se
compara con la obtenida en la parte (iii)? ¿Es estadísticamente diferente de cero?
Corremos la regresión de ∆ uratet en ∆ vratet por MCO y obtenemos
(1)
curate
cvrate -0.028
(0.107)
constante 0.037**
(0.018)
Obs. 134
R-sq 0.001
* p<0.1 ** p<0.05 *** p<0.01
Donde vemos que la estimación puntual para ∆ vratet ahora resulta estadísticamente no significativa.
8
9
4. (12 puntos) Utilice los datos de PHILLIPS para este ejercicio, pero solo hasta 2006.
(i) Hay muchas versiones de la curva de Phillips. Con los datos estime la siguiente versión
Δinf t =β 0+ β1 unemt +e t
Estime este modelo y reporte los resultados en una tabla. Discuta el signo, tamaño y significancia estadística
de ^β 1.
Estimamos el modelo solicitado y obtenemos
(1)
cinf
unem -0.518**
(0.209)
constante 2.828**
(1.225)
Obs. 55
R-sq 0.104
* p<0.1 ** p<0.05 *** p<0.01
Vemos que ^β 1 es -0.518 y resulta estadísticamente significativo. Para interpretar su magnitud de forma apropiada
lo mejor es ver las dos variables
. sum cinf unem
Variable Obs Mean Std. Dev. Min Max
cinf 55 -.1054545 2.414034 -9.3 6.6

unem 70 5.788571 1.60403 2.9 9.7
Donde vemos que las variables no son fracciones sino en números mayores, lo que indica que son porcentajes.
Además,
. des cinf unem
storage display value

variable name type format label variable label
cinf float %9.0g inf - inf_1

unem float %9.0g civilian unemployment rate, %
Por lo que mientras unemp está en nivel cinf es el cambio en la tasa de inflación. Por lo tanto, la estimación -0.518
nos está indicando que un incremento de un punto porcentual en la tasa desempleo está asociada con una
reducción de -0.518 puntos porcentuales en el cambio en la tasa de inflación.
(ii) Una versión de la curva de expectativas de Phillips aumentada permite que la tasa de desempleo dependa de
los niveles pasados de desempleo. En el caso más simple, la tasa natural al momento t es igual a unem t−1. Si
suponemos expectativas adaptativas, obtenemos la curva de Phillips donde inflación y desempleo están en
primeras diferencias
Δ inf t =β 0+ β1 Δunem t +e t
10
Estime este modelo y reporte los resultados en una tabla. Discuta el signo, tamaño y significancia estadística
de ^β 1.
Estimamos la nueva regresión y obtenemos
(1)
cinf
cunem -0.833***
(0.290)
constante -0.072
(0.306)
Obs. 55
R-sq 0.135
* p<0.1 ** p<0.05 *** p<0.01
Vemos que ahora ^β 1 es -0.833 y es altamente significativo. Ahora la interpretación cambia ligeramente: un
incremento de un punto porcentual en la tasa desempleo está asociada con una reducción de -0.518 puntos
porcentuales en la tasa de inflación. Esta es la misma interpretación que si se hiciese nivel contra nivel dado de que
inf t=β 0 + β 1 unemt + et
inf t−1=β 0 + β 1 unemt−1 +e t−1
∆ inf t =inf t −inf t −1=β 0 + β 1 unem t +e t −( β 0+ β1 unem t−1 +e t−1 )
∆ inf t =β1 ( unem t−unem t −1) + ( e t−et −1) =β 1 ∆unem t + ∆ e t
(iii) ¿Qué modelo explica mejor Δ inf t ? Explique.
Claramente el modelo que mejor explica ∆ inf t es el segundo. No solo la estimación ^β 1 tiene una significancia
estadísticamente mayor (1% vs. 5%) sino que, además, el R2 también es mayor (0.135 vs. 0.104). Sin embargo, es
importante aclarar que el hecho que la magnitud de las estimaciones ^β 1 sean diferentes no indica mucho puesto
que las variables utilizadas en cada regresión son diferentes.
11
5. (12 puntos) Sea invent el valor real de los inventarios en Estados Unidos en el año t, sea GDPt el producto bruto
interno, y sea r 3t la tasa de interés real (ex post) de los títulos del tesoro. Esta tasa está dada (aproximadamente) por
r 3t =i3 t−inf t , donde i3 t es la tasa en los títulos del tesoro y inf t es la tasa anual de inflación. El cambio en
inventarios cinven t es la inversión en inventarios para el año. El modelo acelerador de la inversión en inventarios
relaciona cinven con cGDP , el cambio en PIB:
cinvent =β 0 + β 1 cGDP t +ut
Donde β 1> 0.
(i) Use los datos en INVEN para estimar el modelo acelerador. Reporte los resultados en una tabla e interprete la
ecuación. ¿Es ^β 1 estadísticamente mayor a cero?
Realizamos la regresión solicitada y obtenemos
(1)
cinven
cgdp 0.152***
(0.023)
constante 2.589
(3.641)
Obs. 36
R-sq 0.554
* p<0.1 ** p<0.05 *** p<0.01
Donde vemos que ^β 1 resulta estadísticamente significativo, lo que indicaría que el crecimiento en GDP está
significativamente relacionado con el cambio en inventarios.
(ii) Si la tasa de interés real se incrementa, entonces el costo de oportunidad de mantener inventarios se
incrementa, por lo que un incremento en la tasa real de interés debería hacer caer los inventarios. Agregue la
tasa real de interés al modelo acelerador y discuta los resultados.
Agregamos el cambio en la tasa de interés real, dado que tanto inven como GDP están en cambios, y obtenemos
(1)
cinven
cgdp 0.154***
(0.025)
cr3 -0.470
(1.540)
constante 2.336
(3.782)
Obs. 36
R-sq 0.555
* p<0.1 ** p<0.05 *** p<0.01
Y vemos que no se obtiene una estima c r 3t
12
(iii) ¿El nivel de tasa real de interés funciona mejor que la primera diferencia c r 3t ?
Si en vez de usar c r 3t usamos r 3t obtenemos
(1)
cinven
cgdp 0.159***
(0.025)
r3 -0.895
(1.101)
constante 3.004
(3.694)
Obs. 36
R-sq 0.562
* p<0.1 ** p<0.05 *** p<0.01
Por lo que se obtiene que r 3t resulta estadísticamente no significativa.
13
6. (20 puntos) En base a la simulación presentada para la generación de series de tiempo en el video de “Series de
tiempo. Conceptos avanzados”, realice los siguientes cambios:
 T =100
 α =5
 e t Normal (1,81 )
 y 0=0
Y realice los siguientes ejercicios
(i) Genere una caminata aleatoria con deriva, un AR(1) estable con ρ=0.9, un AR(1) estable con ρ=0.8 y un
AR(1) estable con ρ=0.7.
Generamos las series solicitadas
*T=100
clear all
set obs 100
gen t=_n
tsset t
*caminata aleatoria con deriva
*alpha=5
*t=100
*e normal(1,81)
forvalues i = 1/1 {
gen yì'=0 if t==1
replace yì'= 5 + l.yì' + rnormal(1,81) if t>=2
}
label var y1 "caminata aleatoria con deriva"
*AR(1) estable
*rho=0.9
*alpha=5
*t=100
*e normal(1,81)
forvalues i = 2/2 {
gen yì'=0 if t==1
replace yì'= 5 + 0.9*l.yì' + rnormal(1,81) if t>=2
}
label var y2 "AR(1) estable rho=0.9"
*AR(1) estable
*rho=0.8
*alpha=5
*t=100
*e normal(1,81)
forvalues i = 3/3 {
gen yì'=0 if t==1
}
*AR(1) estable
14
*rho=0.7
*alpha=5
*t=100
*e normal(1,81)
forvalues i = 4/4 {
gen yì'=0 if t==1
}
(ii) Realice un gráfico de las series generadas en la parte (i). A simple vista ¿es capaz de observar qué series son
I (0) y cuáles son I (1).
Ahora hacemos el gráfico
*gráfico
line y1 y2 y3 y4 t
Observamos que es muy difícil, sino imposible, detectar un patrón gráfico claro que distinga a las series I (0) de las
que son I (1).
(iii) Para cada serie generada lleve a cabo la prueba de raíz unitaria DF sin y con tendencia (Ayuda: Para que la
salida de Stata sea más corta no incluya la opción reg en el comando dfuller ). Evalúe la capacidad de esta
prueba para detectar una serie I (0) vs. I (1) . ¿Hay diferencia si usted agrega o no tendencia?
. *pruebas de raíz unitaria
. forvalues i = 1/4 {
2. display "DF en yì'"
3. dfuller yì'
4. dfuller yì', trend
5. }
DF en y1

Variable: y1 Number of lags = 0
15
Dickey–Fuller
statistic 1% 5% 10%
--------------------------------------------------------------
Z(t) -1.341 -3.511 -2.891 -2.580
--------------------------------------------------------------

Dickey–Fuller
statistic 1% 5% 10%
--------------------------------------------------------------
Z(t) -1.064 -4.042 -3.451 -3.151
--------------------------------------------------------------
DF en y2

Dickey–Fuller
statistic 1% 5% 10%
--------------------------------------------------------------
Z(t) -2.676 -3.511 -2.891 -2.580
--------------------------------------------------------------

Dickey–Fuller
statistic 1% 5% 10%
--------------------------------------------------------------
Z(t) -2.823 -4.042 -3.451 -3.151
--------------------------------------------------------------
DF en y3

16
Dickey–Fuller
statistic 1% 5% 10%
--------------------------------------------------------------
Z(t) -4.026 -3.511 -2.891 -2.580
--------------------------------------------------------------

Dickey–Fuller
statistic 1% 5% 10%
--------------------------------------------------------------
Z(t) -4.324 -4.042 -3.451 -3.151
--------------------------------------------------------------
DF en y4

Dickey–Fuller
statistic 1% 5% 10%
--------------------------------------------------------------
Z(t) -4.928 -3.511 -2.891 -2.580
--------------------------------------------------------------

Dickey–Fuller
statistic 1% 5% 10%
--------------------------------------------------------------
Z(t) -5.142 -4.042 -3.451 -3.151
--------------------------------------------------------------
17
Observe que, como esperamos, no es posible rechazar la hipótesis nula de raíz unitaria para la serie que es una
caminata aleatoria. También, como deseamos, se rechaza con fuerza esta hipótesis nula cuando ρ=0 . 8 o ρ=0 .7 .
Sin embargo, si vemos que no se rechaza con fuerza cuando ρ=0 . 9. Esto puede hacernos sospechar de la
capacidad que tiene la prueba DF para detectar raíces unitarias cuando ρ se encuentra cerca de 1. Todo esto se
mantiene igual ya sea que agreguemos o no el término de tendencia a la prueba.
(iv) Repita las partes (i) a (iii) pero con T =500. ¿Cambian algunas de las conclusiones obtenidas anteriormente?
¿qué concluye respecto de tener una serie de tiempo “corta” vs. serie de tiempo “larga”?
Repetimos lo mismo con T =500
*T=500
clear all
set obs 500
gen t=_n
tsset t
*caminata aleatoria con deriva
*alpha=5
*t=100
*e normal(1,81)
forvalues i = 1/1 {
gen yì'=0 if t==1
replace yì'= 5 + l.yì' + rnormal(1,81) if t>=2
}
label var y1 "caminata aleatoria con deriva"
*AR(1) estable
*rho=0.9
*alpha=5
*t=100
*e normal(1,81)
forvalues i = 2/2 {
gen yì'=0 if t==1
}
*AR(1) estable
*rho=0.8
*alpha=5
*t=100
*e normal(1,81)
forvalues i = 3/3 {
gen yì'=0 if t==1
}
*AR(1) estable
*rho=0.7
*alpha=5
*t=100
18
*e normal(1,81)
forvalues i = 4/4 {
gen yì'=0 if t==1
}
*gráfico
line y1 y2 y3 y4 t
. *pruebas de raíz unitaria

. forvalues i = 1/4 {
2. display "DF en yì'"
3. dfuller yì'
4. dfuller yì', trend
5. }
DF en y1

Dickey–Fuller
statistic 1% 5% 10%
--------------------------------------------------------------
Z(t) 0.291 -3.440 -2.870 -2.570
--------------------------------------------------------------

Dickey–Fuller
19
statistic 1% 5% 10%
--------------------------------------------------------------
Z(t) -1.704 -3.980 -3.420 -3.130
--------------------------------------------------------------
DF en y2

Dickey–Fuller
statistic 1% 5% 10%
--------------------------------------------------------------
Z(t) -5.221 -3.440 -2.870 -2.570
--------------------------------------------------------------

Dickey–Fuller
statistic 1% 5% 10%
--------------------------------------------------------------
Z(t) -5.370 -3.980 -3.420 -3.130
--------------------------------------------------------------
DF en y3

Dickey–Fuller
statistic 1% 5% 10%
--------------------------------------------------------------
Z(t) -8.007 -3.440 -2.870 -2.570
--------------------------------------------------------------

20
Dickey–Fuller
statistic 1% 5% 10%
--------------------------------------------------------------
Z(t) -8.074 -3.980 -3.420 -3.130
--------------------------------------------------------------
DF en y4

Dickey–Fuller
statistic 1% 5% 10%
--------------------------------------------------------------
Z(t) -9.742 -3.440 -2.870 -2.570
--------------------------------------------------------------

Dickey–Fuller
statistic 1% 5% 10%
--------------------------------------------------------------
Z(t) -9.734 -3.980 -3.420 -3.130
--------------------------------------------------------------
Observe que todo se mantiene igual que con T=100 con una diferencia importante: ahora se logra rechazar con
fuerza la hipótesis nula de raíz unitaria incluso cuando ρ=0 . 9. Esto nos estaría indicando que la prueba DF
funciona mucho mejor con series “largas” que con series “cortas”.
21

7mo Soluciones

Cargado por

Copyright:

Formatos disponibles

7mo Soluciones

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

7mo Soluciones

Cargado por

Copyright:

Formatos disponibles

Econometría Avanzada

(ii) Si β 1+ β2 =1, un incremento permanente en la productividad se refleja completamente en un mayor

Realizamos la prueba usando el comando test

(iii) ¿Es necesario que goutp h r t −2 esté en el modelo? Explique.

Configuramos la base como series de tiempo y realizamos la prueba de Dickey-Fuller

Time variable: t, 1 to 108

. dfuller ltotacc, reg

Dickey–Fuller test for unit root Number of obs = 107

H0: Random walk without drift, d = 0

Augmented Dickey–Fuller test for unit root

Variable: ltotacc Number of obs = 105

H0: Random walk without drift, d = 0

Augmented Dickey–Fuller test for unit root

Variable: ltotacc Number of obs = 105

H0: Random walk with or without drift

Dickey–Fuller test for unit root Number of obs = 107

H0: Random walk without drift, d = 0

. dfuller prcfat, lag(2)

Augmented Dickey–Fuller test for unit root

Variable: prcfat Number of obs = 105

H0: Random walk without drift, d = 0

. dfuller prcfat, lag(2) trend

Augmented Dickey–Fuller test for unit root

H0: Random walk with or without drift

Dickey–Fuller test for unit root Number of obs = 134

H0: Random walk with or without drift

. dfuller vrate, trend

Dickey–Fuller test for unit root Number of obs = 134

H0: Random walk with or without drift

Corremos la regresión de uratet en vratet por MCO y obtenemos

Corremos la regresión de ∆ uratet en ∆ vratet por MCO y obtenemos

Estimamos el modelo solicitado y obtenemos

Variable Obs Mean Std. Dev. Min Max

cinf 55 -.1054545 2.414034 -9.3 6.6

storage display value

cinf float %9.0g inf - inf_1

Estimamos la nueva regresión y obtenemos

inf t−1=β 0 + β 1 unemt−1 +e t−1

∆ inf t =inf t −inf t −1=β 0 + β 1 unem t +e t −( β 0+ β1 unem t−1 +e t−1 )

∆ inf t =β1 ( unem t−unem t −1) + ( e t−et −1) =β 1 ∆unem t + ∆ e t

(iii) ¿Qué modelo explica mejor Δ inf t ? Explique.

cinvent =β 0 + β 1 cGDP t +ut

Realizamos la regresión solicitada y obtenemos

Y vemos que no se obtiene una estima c r 3t

Si en vez de usar c r 3t usamos r 3t obtenemos

Por lo que se obtiene que r 3t resulta estadísticamente no significativa.

Y realice los siguientes ejercicios

Dickey–Fuller test for unit root Number of obs = 99

H0: Random walk without drift, d = 0

Dickey–Fuller test for unit root Number of obs = 99

H0: Random walk with or without drift

Dickey–Fuller test for unit root Number of obs = 99

H0: Random walk without drift, d = 0

Dickey–Fuller test for unit root Number of obs = 99

H0: Random walk with or without drift

Dickey–Fuller test for unit root Number of obs = 99

Dickey–Fuller test for unit root Number of obs = 99

H0: Random walk with or without drift

Dickey–Fuller test for unit root Number of obs = 99