Post on 02-Mar-2018
7/26/2019 Econometra- Modelo de Regresin No Lineal- Arch-garch.
1/58
7/26/2019 Econometra- Modelo de Regresin No Lineal- Arch-garch.
2/58
2
uniecuacionales y multiecuacionales lineales para explicar y predecir la evolucin de las
variables microeconmicas y macroeconmicas en el tiempo, de ah el inters cada vez
ms marcado en los modelos de regresin y de serie de tiempo no lineal que estn
incluido en los nuevos textos de econometra como Greene; W (1999), Gugarati; D
(2006), Pindych; R y Rubinfeld; D (2001). En esta monografa nos avocaremos al
estudio de este tipo de modelos no lineales tanto en regresin como en las series detiempo, concretamente los dos ms familiares: el modelo ARCH y el GARCH y algunas
de sus variantes.
II.-MODELOS NO LINEALES.
Un modelo no lineal clsico en econometra es el modelo generalizado del consumo en
funcin de la renta dado por:
ttt PC
+
Dondet
C es el consumo en el perodo t,t
P es el producto interno bruto en ese mismo
perodo,t
es la perturbacin aleatoria en el perodo tque se asume con distribucin
normal no necesariamente homoscedstica. Los parmetros son: , y , como puede
observarse este ltimo parmetro es un exponente.
Otro modelo no lineal es la generalizacin de la funcin de produccin de Cobb-
Douglas propuesto por Zellner et al (1970):
ttttt TCPYY +ln)1(lnln .
Dondettt
TCY ,, son respectivamente, la produccin, el factor capital y el factor trabajo
en el perodo t; ,, son los parmetros a estimar y finalmente t es la perturbacin
aleatoria en el perodo tque se asume con distribucin normal ),0( 2N .
En serie de tiempo tenemos como un ejemplo de modelo no lineal sin trmino depromedio mvil l propuesto por Byers el al (1995):
tktjt
p
j
q
kjk
p
jjtjt YYY +
= =
1 11
(1)
Este modelo se conoce como bilineal sin trmino de promedio mvil en donde { }tY y
{ }
t son sucesiones de variables aleatorias, j, y jk son parmetros que deben ser
estimados.
Este modelo tiene una parte lineal autoregresiva de orden p representada por
t
p
jjtj
Y +
=
1
y una parte no lineal ktjt
p
j
q
kjk
Y
= =
1 1
, si 0jk ),( kj entonces
estaramos en presencia de un )(pAR . Si la serie de tiempo es hetoroscedstica
condicional, es decir con varianza condicional de las perturbaciones diferentes en el
tiempo, entonces estos autores mencionan que tal modelo es inapropiado su aplicacin
directa. Kuldeep Kumar (1986) propuso un modelo ms simplificado que el anterior
dado por:
tktjt
p
j
q
k jkt
YY +
= =
1 1 (2)
7/26/2019 Econometra- Modelo de Regresin No Lineal- Arch-garch.
3/58
3
Si 0jk kj> el modelo se llama superdiagonal, si 0jk kj< el modelo se llama
subdiagonal y si 0jk kj el modelo se llama diagonal. Un caso particular del
modelo dado en (2) es:
tktjttt YY +
Empleando este modelo, el mtodo de Monte Carlo y utilizando el momento de tercer
orden logra distinguir entre un modelo bilineal y un AR , MA o ARMA y de forma
similar si se trata de un modelo bilineal diagonal o no.
En estos tipos de modelos como los descritos surgen tres problemas fundamentales a la
hora de conocer si la serie proviene de un proceso no lineal.
1. Poseer alguna medida, cuya valoracin nos de una condicin necesaria de lapresencia de no linealidad tanto en modelos causales como los de serie de
tiempo.
2. Estimar los parmetros asociados al modelo no lineal especificado.3. Tener una medida de bondad de ajuste del modelo a los datos empricos.
Para el primer caso hay varias propuestas que dan condiciones necesarias del
comportamiento no lineal de series temporales, entre ellos estn: el estadstico de Brock,
Dechert y Scheinkman BDS, el exponente de Lyapunov, multiplicadores de Lagrange
(LM) y finalmente el RBF. El problema que se presenta es la cantidad de datos
requeridos para aplicar alguna de estas tcnicas. Un ejemplo de aplicacin de un caso
real del estadstico BDS est en el artculo ya citado de Byers et al (1995), un
desarrollo del empleo del exponente de Lyapunov se encuentra en Cline; D.B.H (2006),
el empleo de los multiplicadores de Lagrange se encuentra por ejemplo en Medeiros;
M.C et al (2003) y finalmente el uso de test construidos con redes neuronales (RBF)Blake; A.P et al (2003). Los test DBS y exponente de Lyapunov se puede aplicar a la
serie de tiempo observada sin hacer referencia a un modelo particular, por tanto puede
ser una buena estrategia determinar primero si la serie en cuestin responde a un
proceso no lineal, bien sea estocstico o deterministico. En el caso de modelos causales
estn los trabajos de MacKinnon et al( 1983) y ms recientemente los de Schimek, M
(2000) y Samorov, A et al (2006).
El segundo problema de estimacin, hay en forma general los siguientes mtodos:
linealizacin del modelo empleando la expansin de Taylor, mnimos cuadrados no
lineales, mximo verosimilitud o el mtodo generalizado de los momentos. Estos
mtodos son aplicados por igual a modelos de regresin no lineal como los de serie de
tiempo. Un mtodo es preferido a otro tomando en cuenta las propiedades asintticas delos estimadores obtenidos y las facilidades computacionales que presentan.
Finalmente, entre las medidas de bondad de ajusten estn el coeficiente de
determinacin que en el caso de regresin no lineal hay que interpretarlo de una forma
diferente que cuando se emplea en el modelo lineal. Adicionalmente los diferentes test
que permiten validar el modelo propuestos. Cuando hay restricciones en los parmetros,
bien sean estas lineales o no, estn entre otras, las pruebas o contrastes de Wald, la
razn de verosimilitud y los multiplicadores de Lagrange.
7/26/2019 Econometra- Modelo de Regresin No Lineal- Arch-garch.
4/58
4
III.-MTODOS DE ESTIMACIN NO LINEAL.
En este punto, veremos tres mtodos de estimacin aplicados a la regresin no lineal y
posteriormente a las series temporales: el mtodo de expansin de Taylor, mnimos
cuadrados no lineales y finalmente el mtodo de mxima verosimilitud. En la
bibliografa especializada de econometra se encuentran adems de estos mtodos: elmtodo de los mnimos cuadrados no lineales en dos etapas, empleo de variables
instrumentales no lineales y redes neuronales, este ltimo aplicado a las series de
tiempo.
Ejemplo 1:
Consideremos dos pares de modelos de regresin no lineales:
a)
eXYp
i
ii
=
=
10 b)
+
=
p
i
ii
XY1
0
a1)
=
+
=
p
i
iXi
eY 10
b1)
+
=
+
p
i
iXi
eY 10
En donde Y es una variable aleatoria observable endgena,i
X son p variables
exgenas,p ,..., 10 son los parmetros a estimar es una variable aleatoria,
generalmente se asume que tiene una distribucin normal.
Los modelos de regresin no lineales: a) y a1) son linealizable mediante una
transformacin logaritmica directa, esto es son intrnsecamente lineales, en efecto al
tomar logaritmo neperiano en ambos modelos se obtiene:
a) a1) +=
p
iii
XY1
0ln
Al aplicar los mnimos cuadrados las ecuaciones normales obtenidas son lineales en los
parmetros.
No as los modelos b) y b1) pero se pueden linealizar mediante el empleo de la
expansin de Taylor.3Si en estos modelos se aplica los mnimos cuadrados ordinarios,
las ecuaciones normales son no lineales en los parmetros.
3Sea RRf n: una funcin doblemente diferenciable en un punto X , esto es : existen el vector
gradiente )(Xf y la matriz Hessiana )(
XH y una funcin RRn
: , entonces (.)f puede
expresarse como:
);())(()(2
1)()()()(
2
XXXXXXXXHXXXXXfXfXf TT
0);(
XXXLimXX
( );/.../,/((.) 21 nT
xfxfxff { }ji
xxfH
/(.) 2 )
+
=
p
iii
XY1
0 lnlnln
7/26/2019 Econometra- Modelo de Regresin No Lineal- Arch-garch.
5/58
7/26/2019 Econometra- Modelo de Regresin No Lineal- Arch-garch.
6/58
6
Entonces, obtenemos como estimador mnimo cuadrtico dado el valor inicialo
, lo que
sigue:
YZZZ TT 1)( = (6)La pregunta obligada es cul valor inicial? La repuesta est en la nota4
Si se asume que es normal ),0( 2IN y si existe la matriz inversa 1)( ZZT y el
estimador de 2 est dado por:
)/(. **2* pnT donde ZY* 1 +pp , entonces el estimador converge
asintticamente5a la distribucin normal ))(,( 12* ZZN Td
Ejemplo 2:
Consideremos el modelo: nieYXfY iiX
iiii...2,1;;);(
=
y consideremosunos
valores iniciales de los parmetros:o
yo
y evaluamos la funcin y sus derivadas en
estos valores:
oooo
x
i eXf =),;(
ooo
iX
i eXf
=/),,( o
ooo
iX
ii eXXf
=/),,(
Evaluamos ahora los componentes de la suma:j
p
jij Xf
=
/);(1
oo
dados como:
ooooo
iX
i eXf
=/),,( o
ooooo
iX
ii eXXf
=/),,( Con estos resultados podemos obtener:
0
1
);(/);();(iiiij
p
jijii
YZXfYXfXfY =
=
o
oooo
Que en nuestro ejemplo es:
+
oo
x
i eY
+
oo
iX
ieX
0YeX iX
i =
ooo
Ahora considerandoooo
iX
i eXf
=/),,( y
oooo
iX
ii eXXf
=/),,(
entonces obtenemos:
4El primer valor inicial nos dar una primera estimacin de los parmetros al resolver el problema (6),este valor lo empleamos como nuevo valor inicial y resolvemos nuevamente el problema (6) y as
sucesivamente hasta que se estabilicen los estimadores. Esto se puede expresar como sigue: Sea)(K
j
el
estimador logrado en la iteracin (K) y)1(+K
j el obtenido en el paso (K+1), el proceso termina si para
un 0 , suficientemente pequeo:
XQXQ T Y adems, se verifica:
01
lim1
=
=
i
n
i
in
X
n
P y ),0(1 10
2
1
=
QNX
n
n
d
i
n
i
i
Entonces:
),(1
0
2
Qn
Nd
Ejemplo 4.
Consideremos el siguiente modelo: ttX
t eY
+ y supongamos que se ha obtenido el
ajuste por mnimos cuadrados no lineales: = tXt
eY ; para obtener el estimador de la
matriz de varianza covarianza de los estimadores procedemos de la siguiente forma:
calculamos las correspondientes derivadas parciales:tX
t eY
=
/ ;tX
t eY
=
/ ycon ellas definimos el vector gradiente y su transpuesta:
=
tX
tX
e
ef
),( ;
=
tXtXT eef
),(
8 Una sucesin de variables aleatorias n converge en probabilidad a una constante c si para cualquier
0 se verifica que: 1lim =
cPn
n. Esto quiere decir, que a partir de Nn
>
el suceso
, siendo0
M un valor mnimo prefijado para el cual la hiptesis nula no se
rechaza, si 10=
M , se est indicando que el componente no lineal es univariante. El
procedimiento supone la estimacin de la varianza, denotmosla porm
V , rechazamos la
hiptesis00
: MMH
, si+ )10(M
V es significativamente diferente de cero. Se asume en
todo caso que la dimensin del componente no lineal es relativamente pequeo. Los
autores de este trabajo proponen un algoritmo construidos bajo varios supuestos tanto
para estimar el vector de parmetro como el estimador de la varianza:m
V .
7/26/2019 Econometra- Modelo de Regresin No Lineal- Arch-garch.
29/58
29
VI.-Modelos ARCH y GARCH.
Consideremos el proceso de parmetro discreto { }EtYt; y consideremos adems un
conjunto de informacin t tal que + ...21 ttt , { }tYt; , entonces,
podemos considerar a la esperanza condicional: )/( ttYE y la varianza condicional:tt
YVAR / esta ltima puede ser no homognea, es decir diferente para cada periodo.
Este caso puede darse tanto en modelos no lineales como lineales. La presencia de
varianza condicional no homogenea en los modelos lineales se ha asociado a una mala
especificacin del mismo y se ha tratado de resolver aadiendo nuevas variables
exgenas, pero la prctica ha demostrado que este no es el mejor camino. Tanto la
media condicional como la varianza condicional se asocia al corto plazo, mientras que
la media no condicional tYE y la varianza no condicional tYVAR se asocian al largo
plazo.
Consideremos el modelo lineal autoregresivo de primer orden :)1(AR ttt
aYY +11
donde se asume que ),0( 2NaD
t
.
La media no condicional de este proceso, o sea su media a largo plazo es:
)()()(11 ttt
aEYEYE +
Asumiendo que el proceso es estacionario entonces
0)1(1=
mientras que la media a corto plazo o condicional es:
11111 )()/()/(
=
tittttt YaEYEYE
17
La varianza no condicional dado que el proceso es estacionario, es constante, en efecto:22
11
2
1 )()()()()( + ttttt YVARYVARaVARYVARYVAR
Luego:
12
1
2 )1()(
tYVAR
La varianza condicional18es:
2)()/( ttt
aVARYVAR
Entonces estamos en la situacin donde tanto la varianza no condicional como la
condicional son iguales para cualquier perodo, es decir el proceso es homoscedstico.
17Consideremos en forma general dos vectores aleatorios1
X y2
X , la esperanza de1
X condicionada a
2X es: 1212/1121 );/()/( dxxxfxXXE XXS
, por otra parte
=
111111);()( dxxfxXE
X
S
21212/1222122212/121212,1));/()(;();();/();,( dxdxxxfxxfdxdxxfxxfxdxdxxxfx
XX
S
XXXX
S S
XX
S S
=
))/((21
XXEE 18De la misma forma, consideramos dos vectores aleatorios 1X y 2X , la varianza de 1X condicionada a
2X se obtiene a partir de:
12121111)/()/( XXEXXEXX . por tanto la varianza de
1X es:
2
21
2
211212111))/(()/(())/()/(()( XXEEXXEXEXXEXXEXVARXVAR
considerando la nota anterior y que el producto cruzado es nulo, concluimos que:
)/(()/(()(21211
XXEVARXXVAREXVAR +
7/26/2019 Econometra- Modelo de Regresin No Lineal- Arch-garch.
30/58
7/26/2019 Econometra- Modelo de Regresin No Lineal- Arch-garch.
31/58
31
Para el caso que solo se emplean solamente variables endgenas Ruey S. Tsay (1987)
propone lo siguiente:
);(/1 tt
d
tt grDY
ptpttpptttt YYYYYYrr
+ ....)...,,;,...,,(221121021
)...,,;,...,,( 21021 pptttt gg = ptptt + ...2
22
2
110
Donde como siempre:
it
p
ittt
YY
=
1
Como sugieren el autor al plantear este modelo: );(/1 tt
d
tt ghDY
donde
1t :{ }
pttt YYY
...,21
indica que el proceso sigue una distribucin con media th y
varianza tg . Este modelo se expresa como un ARCH(p,q). El problema est en la
determinacin de los valores de p y q que pueden resultar relativamente grande y que
entonces el modelo no cumplira con el principio de parsimonia. Por tal motivo, esteautor propone otro modelo partiendo de un modelo ARMA(p,q) y el empleo de
coeficientes aleatorios para el proceso { }t . Esto es:
tt BYB )()( =
tttttti YBwYwB +
))(())1(()(10
Donde: ppBBB ...1)( 1 ;
q
qBBB ...1)( 1 son polinomios de orden p y
q enB respectivamente, con coeficientes constantes tal como ocurre en el clsico
modelo ARMA y rtrti
BBB,,1
...1)(
; stst
BwBwBw,,1
....)( +
son polinomios en
B de orden ry s con coeficientes aleatorios, )1(
*
1tY representa el pronstico mnimocuadrtico de tYdado el conjunto de informacin 1t , finalmente t es la perturbacin
aleatoria o ruido blanco en el perodo t. Este modelo lo llama Ruey S. Tsay en su
artculo: CHARMA(p,q,r,s), aparte de las propiedades y mtodos de estimacin seala
dos aplicaciones importantes aparte de su uso en series heteroscedsticas permite
manipular series de tiempo con presencia de valores atpicos y la otra aplicacin
importante es que permite refinar los coeficientes constantes, tal como llama el autor los
parmetros, del modelo ARMA.
VIa1.-Estimacin.
Las tcnicas de estimacin de los parmetros son: el de mxima verosimilitudparamtrico y no paramtrico de Audrino F (2005), mnima divergencia de AjayChandra et al (2006), mnimos cuadrados generalizados factibles Green (1999). El
estimador de mxima verosimilitud siguiendo a Engle (1982) se emplea para estimar
los parmetros de )...,,;,...,,( 21021 pptttt YYYhh o de la regresin ARCH dado
como ttt
ZYE =
)/(1 y )...,,;,...,,( 21021 pptttt gg , en este ltimo
consideramos el caso particular 2110 tt
g .
En el primer caso, se parte de ),0(/1 t
d
tt hNY
por tanto:
t
t
ttttY h
Y
hhyf 2exp)2(
1
),0;(
2
2/1
La funcin de log-verosimilitud es:
7/26/2019 Econometra- Modelo de Regresin No Lineal- Arch-garch.
32/58
32
= t
tn
t
n
ttttY
n
t h
Y
hhyf
2)2(
1ln),0;(ln
2
12/1
11
= t
t
n
tt
n
ttttY
n
t hYhnhyf2
ln21)2ln(
2),0;(ln
2
111
Aplicando la condicin necesaria para la existencia de un ptimo:
0/2
/ln2
1/),0;(ln
2
111
=
=
t
tn
tt
n
ttttY
n
t h
Yhhyf
0/2
/1
2
1/),0;(ln
2
111
=
=
t
tn
tt
n
t t
tttY
n
t h
Yhl
hhyf
Consideremos el caso particular:22
22
2
110....
ptpttt YYYh
+
, entonces, ahora definimos ),...,,1( 2222
1 ptttT YYYz
y
),...,(10 p
= La matriz de informacin est dada como:
)/(2
1)(
1t
n
tt
T
t hzzn
I
=
=
El segundo caso es:
ttt
ZYE =
)/(1
22
22
2
110...
ptptttg
+
ttt ZY
Asumiendo normalidad, esto es: ),(/1 ttt
d
tt gZNY empleamos nuevamente el
estimador de mximo verosimilitud.
t
tt
t
ttttY g
ZY
ggZyf
2
)(exp
)2(
1),;(
2
2/1
t
t
t gg 2exp
)2(
12
2/1
= t
t
t
n
t
n
tttttY gg
gZyf2
exp)2(
1),;(
2
2/111
La funcin log-verosimilitud es:
=
t
tn
t
n
t
t
n
t
ttttY
g
gn
gZyfLn
2
ln
2
1)2ln(
2
),;(2
111
La condicin necesaria de existencia de un punto extremo es:
0/2
/ln2
1/),;(
2
111
=
=
t
tn
t
n
tt
n
tttttY g
ggZyfLn
La matriz de informacin del estimador de est dada por:
=
=
+
p
jjtjtt
n
tt
T
t ggZZn
I1
2221
1
)2(1
)(
La matriz de informacin conjunta es:
7/26/2019 Econometra- Modelo de Regresin No Lineal- Arch-garch.
33/58
7/26/2019 Econometra- Modelo de Regresin No Lineal- Arch-garch.
34/58
34
VIa2.-Otros mtodos de estimacin.
Entre los otros mtodos de estimacin estn: Audrino, F (2005) en donde no se asume el
supuesto de normalidad de las perturbaciones aleatorias tambin conocidazas como
innovaciones, aunque la propuesta se refiere a un ARCH(1), indica el autor que es
posible extenderlo a modelos con 1p . El mtodo de estimacin es no paramtrico y sebasa en una transformacin logartmica y emplear luego la estimacin de verosimilitud
local. Entonces consideremos el modelo:2/1hY
tt y 2
110 tt Yh
;22 hYtt
tttt LoghLogLoghLogYLog222 )(
Donde [ ]2logt
E =
, haciendo las transformaciones:
)( 2tt YLogV= y )(2
tt LogU
tt LoghYG +)( 1
Entonces:
ttt UYGV +
)(1
Tomando en cuenta que: [ ]2logt
E =
entonces: 0)( =tUE , la sucesin de variables
aleatorias: { }tU , son independientes e idnticamente distribuidas e independientes de la
sucesin de variables aleatorias: { }tsVt
7/26/2019 Econometra- Modelo de Regresin No Lineal- Arch-garch.
35/58
35
El otro mtodo es l de mnima divergencia desarrollado por Ajay Chandra, J et al
(2006), el problema es determinar la forma de la distribucin de probabilidad det en
el modelo:2/1hY
tt , 22
2
2
10....
ptpttt YYYh
;
Donde { }t
es una sucesin de variables aleatorias independientes e igualmente
distribuidas con funcin de densidad );( g . Hagamos el cambio:
ttt hY 22 (4)
Denotemos por 2tt
YZ=
; ),...,,1( 222
2
11 ptttt YYYW
=
y, )...,,(210 p
T= , entonces:
1tt Wh luego podemos escribir (4) como:
)1( 211
tttt WWZ
Si hacemos: )1( 21
ttt W el modelo queda finalmente como:
ttt WZ +
1
Se cumple que 0)/(1=tt
E . El vector de estimadores se puede obtener partiendo
de :
+
n
pttt
WZMin1
2
1
Los residuos estn dados por:= ttt
hY / , donde: 222
2
10 .... ptpttt YYYh
+
Encontremos ahora una funcin
f como ajuste de la verdadera funcin de
densidad );( g utilizando la mnima divergencia, en general se parte de la
definicin dada por:
{ } dggfKgfD );();(/)());(,(
=
Donde { }{ }2/)1(2 1)1/(4)(
+xxK ; 11
7/26/2019 Econometra- Modelo de Regresin No Lineal- Arch-garch.
36/58
36
residuos, asumimos que existe /tg y la esperanza : )( eeE t 21, por tanto la matriz de
informacin es:t
t
g
geeE
g
gI
=
0
0
0
0
* /)(/
2
1)(
El estadstico para realizar el contraste es:010 )(
2
1feeeefML tt =
Donde 0g es el vector columna: { }1/ 02 get , este estadstico, bajo la hiptesis nula,
tiende asintticamente a una 2 con p grados de libertad. La hiptesis nula se rechaza
si la probabilidad de que el valor del estadstico exceda a una 2p sea menor que el nivel
de significacin. Una forma expedita consiste en considerar los residuos y plantear el
modelotptpttt +
+ 2*2*
22
2*
1102 ... y emplear la prueba Fpara contrastar
la hiptesis 0....: 210 =pH y la pruba tpara cada uno de los parmetros,
asumiendo como hiptesis nula pjH j ...2,1,0:0 =
. Una forma de aproximarse alproblema es, partiendo de un AR(p), estudiar los residuos y ver si hay un patrn de
agrupamiento de los mismos.
Ejemplo 12
En este ejemplo emplea el ndice de precio del consumidor en Venezuela desde Enero
de 1980 a Diciembre de 2002, en otros pases se considera que este tipo de ndice
presenta hetoroscedasticidad condicional. Lo primero que se realiz fue considerar un
ARIMA(1,1,1)22como modelo tentativo, obteniendo los siguientes resultados.Descripcin del modelo
Tipo de modeloID del modelo IPMG Model_1 ARIMA(1,1,1)
21Obsrvese que para cada valor de tse obtiene un vector columna, por tanto e es una matriz.El programa es SPSS es:22GET DATA / TYPE=ODBC / CONNECT=' DSN=Excel Fi l es; DBQ=D: \ ART CULOS\ DATOS
ARCH. xl s; Dr i ver I d=790; MaxBuf f erSi z' +' e=2048; PageTi meout =5; '/ SQL = ' SELECT RE1C, `RE- 1C AS RE1C1, `RE- 2C AS RE2C, `RE- 3C
AS RE3' +
' C, `RE- 4C` AS RE4C FROM `Hoj a2$`'/ ASSUMEDSTRWI DTH=255.
CACHE.DATASET NAME Dat aSet 2 WI NDOW=FRONT.REGRESSI ON
/ MI SSI NG LI STWI SE/ STATI STI CS COEFF OUTS R ANOVA COLLI N TOL CHANGE/ CRI TERI A=PI N( . 05) POUT( . 10)/ NOORI GI N/ DEPENDENT RE1C/ METHOD=ENTER RE1C1 RE2C RE3C RE4C/ SCATTERPLOT=( *SRESI D , RE1C ) ( *ZRESI D , RE1C )
/ RESI DUALS DURBI N HI ST( ZRESI D) NORM( ZRESI D)/ SAVE COOK RESI D .
7/26/2019 Econometra- Modelo de Regresin No Lineal- Arch-garch.
37/58
37
De acuerdo a los siguientes resultados, el modelo se adecua satisfactoriamente, si se
observa el coeficiente de determinacin 0,12 =R y el valor del ndice de informacin
Bayesiano: 020,1BIC . El estadstico observado de Ljung-Box conduce a no rechazar
la hiptesis nula que la correlacin de los residuos es nula, es decir: los residuosprovienen de un ruido blanco.
Estadsticos del modelo
0 ,585 1,000 1,615 8,141 151,892 10,857 1,020 46,664 16 ,000 0
Modelo
IPMG-Model_
Nmero de
predictores
R-cuadrado
estacionaria R-cuadrado RMSE MAPE MaxAPE MaxAE
BIC
normalizado
Estadsticos de ajuste del modelo
Estadsticos GL Sig.
Ljung-Box Q(18) Nmero de
valores
atpicos
Parmetros del mod elo ARIMA
1,067 ,516 2,069 ,040
,868 ,039 22,289 ,000
1
,286 ,078 3,682 ,000
Constante
Retardo 1AR
Diferencia
Retardo 1MA
Sin transformacinIPMGIPMG-Model_1
Estimacin ET t Sig.
Si observamos la tabla anterior, el modelo ajustado es:
1
*286,0067,1)1)(868,01(
ttYBB
La prueba tnos indica que todos los parmetros son significativamente diferentes de
cero Si se observa las funciones de autocorrelacio y autocorrelacin parcial de los
residuos algunas salen muy levemente de los lmites.
7/26/2019 Econometra- Modelo de Regresin No Lineal- Arch-garch.
38/58
38
Retardo
24
23
22
21
20
19
18
17
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1
Residual
1,00,50,0-0,5-1,0 1,00,50,0-0,5-1,0
FAP residualFAS residual
IPMG - Model_1
Ahora, construimos el modelo de regresin considerando los residuos, la variabledependiente es 2*
t y los regresores:2*
2
2*
3
2*
2
2*
1 ,,, tttt ; esto es:
=
2*
t +2*
24
2*
33
2*
22
2*
110 tttt
Los resultados se presentan a continuacin:
Variables introducidas/eliminadas(b)
ModeloVariables
introducidasVariables
eliminadas Mtodo
1RE4C, RE2C,RE3C,RE1C1(a)
. Introducir
a Todas las variables solicitadas introducidasb Variable dependiente: RE1C
7/26/2019 Econometra- Modelo de Regresin No Lineal- Arch-garch.
39/58
39
Resumen del modelob
,543a ,294 ,284 9,48563 ,294 27,757 4 266 ,000 2,107
Modelo
1
R R cuadrado
R cuadrado
corregida
Error tp. de la
estimacin
Cambio en
R cuadrado Cambio en F gl1 gl2
Sig. del
cambio en F
Estadsticos de cambio
Durbin-
Watson
Variables predictoras: (Constante), RE4C, RE2C, RE3C, RE1C1a.
Variable dependiente: RE1Cb.
ANOVAb
9990,156 4 2497,539 27,757 ,000a
23933,939 266 89,977
33924,095 270
Regresin
Residual
Total
Modelo
1
Suma de
cuadrados gl
Media
cuadrtica F Sig.
Variables predictoras: (Constante), RE4C, RE2C, RE3C, RE1C1a.
Variable dependiente: RE1Cb.
Coeficientesa
,486 ,603 ,806 ,421
,143 ,059 ,144 2,422 ,016 ,750 1,332
,035 ,057 ,036 ,618 ,537 ,802 1,247
,277 ,055 ,287 4,987 ,000 ,801 1,248
,249 ,057 ,258 4,343 ,000 ,749 1,335
(Constante)
RE1C1
RE2C
RE3C
RE4C
Modelo
1
B Error tp.
Coeficientes no
estandarizados
Beta
Coeficientes
estandarizad
os
t Sig. Tolerancia FIV
Estadsticos de
colinealidad
Variable dependiente: RE1Ca.
De acuerdo a los resultados de la prueba F que se muestra en la tabla ANOVA se
rechaza la hiptesis 0: 43210 =H . De acuerdo a la prueba t solo la
constante y el parmetro asociado a 2*2t
no son significativamente diferentes de cero.
Se puede aumentar el nmero de regresores para aumentar el valor de 2R y ver si mejora
el modelo. En todo caso, es fcil verificar que si realizamos la operacin
76294,02712 =xnR y calcular 0)76( 24 P rechazamos igualmente la hiptesis nula
anterior. De acuerdo el valor del estadstico Durbin Watson la autocorrelacin de los
residuos es aproximadamente 0,0535 que es un valor no significativo. Observando el
ndice de condicin se puede concluir que no hay presencia de colinealidad.
7/26/2019 Econometra- Modelo de Regresin No Lineal- Arch-garch.
40/58
40
Diagnsticos de colinealidada
2,256 1,000 ,04 ,07 ,07 ,07 ,08
,858 1,621 ,95 ,04 ,02 ,01 ,03
,725 1,765 ,01 ,23 ,30 ,28 ,21
,660 1,849 ,00 ,13 ,43 ,44 ,14
,501 2,121 ,00 ,52 ,19 ,20 ,54
Dimensin
1
2
3
4
5
Modelo
1
Autovalor
Indice de
condicin (Constante) RE1C1 RE2C RE3C RE4C
Proporciones de la varianza
Variable dependiente: RE1Ca.
Estadsticos sobre los residuosa
,4893 44,1138 2,2681 6,08281 271
-,292 6,879 ,000 1,000 271
,589 6,632 ,857 ,964 271
,4911 62,1935 2,3835 7,04578 271
-35,55740 100,70521 ,00000 9,41511 271
-3,749 10,617 ,000 ,993 271
-4,940 11,017 -,005 1,077 271
-61,75787 108,44568 -,11531 11,30054 271
-5,174 14,913 ,012 1,268 271
,046 130,986 3,985 17,065 271
,000 3,864 ,052 ,356 271
,000 ,485 ,015 ,063 271
Valor pronosticado
Valor pronosticado tip.
Error tpico del valor
pronosticado
Valor pronosticado
corregido
Residuo bruto
Residuo tip.
Residuo estud.
Residuo eliminado
Residuo eliminado estud.
Dist. de Mahalanobis
Distancia de Cook
Valor de influencia
centrado
Mnimo Mximo Media
Desviacin
tp. N
Variable dependiente: RE1Ca.
VI4a.-Modelos relacionados: ARCH-M, TARCH, AR-ARCH.
En este punto veremos brevemente algunos modelos relacionados con el ARCH, tales
como ARCH-M , TARCH y finalmente el AR-ARCH. El modelo ARCH-M consiste en
introducir en el modelo la varianza condicional como regresor. Un caso de tal modelo
es:
tttt gYY +
2110,
2222
2110 ... ptptttg
+
Otro modelo que se emplea en situacin de asimetra es el ARCH que dependen de un
umbral, estos modelos se llaman TARCH. Su forma es por ejemplo:2/1
ttt gY
2
1110 )( ttt dg ,0;0 10 > 11 y 12/1
7/26/2019 Econometra- Modelo de Regresin No Lineal- Arch-garch.
41/58
41
La variable indicadora1t
d indica si el umbral est presente o no, toma el valor uno
cuando lo est, y esto ocurre cuando la innovacin es negativa, por tanto el efecto de la
varianza condicional es mayor, un ejemplo de esto se da en el mercado de capitales, que
una mala noticia sobre el desenvolvimiento del mercado conduce a una mayor
volatilidad de los ttulos valores.
Finalmente tenemos el modelo AR-ARCH, el modelo AR-ARMA lo desarrolla porprimera vez Emanuel Parzen23, este autor clasifica las series de tiempo en tres
categoras, series con tendencias, estacionalidad y ciclos que denomina de memoria
larga, series que cumplen con la estacionalidad en media y varianza que llama series de
memoria corta y finalmente serie formadas exclusivamente con ruido blanco. Una de las
caractersticas de las series de tiempo con memoria larga es que sus autocorrelaciones
muestrales decrecen muy lentamente. Para lograr que una serie de memoria larga se
convierta en memoria corta en vez de diferenciar la serie como propone la metodologa
de Box-Jenkins, aumenta el nmero de parmetros AR sin importar el principio de
parcimonia, y la parte MA la deja solo en casos especiales. Para seleccionar el orden del
AR utiliza el criterio de informacin de Akaike. Otra propuesta para el estudio de series
de tiempo de memoria larga es emplear diferenciacin no entera, esto es: d
donde
dtoma cualquier valor real, generalmente entre -1 y 1, este modelo se llama AFIRMA.
El modelo AR-ARCH consiste entonces, en un modelo con una parte autoregresiva y
otra autoregresiva con heteroscedsticidad condicional.. Un caso particular de AR-
ARCH lo presenta Cline, D.B.H (2006), en el cual considera el umbral. El modelo AR-
ARCH lo define como: dada la sucesin de errores aleatorios { *t } independientes e
idnticamente distribuidas, con funcin de densidad simtrica a rededor de cero y
positiva en R , tambin se asume que)( *
r
tE . Consideremos ahora la sucesin de
variables aleatorias: { }t , entonces, el modelo AR-ARCH es:
=
=
+
tit
p
iiit
p
iit 2/12
1
20
10 )(
La parte autoregresiva es:it
p
ii
=
1
0 y la parte ARCH es
=
tit
p
ii
2/12
1
2
0 )( , donde
la varianza condicional o volatilidad estit
p
ii
h
=
)( 2
1
2
0 . El modelo es ergdico y
tiene una distribucin estacionario si:
1)(*
1
2
1
qp , 00> , 0i para qi ...2,1 ; 0i para pi ...2,1 . Este es GARCH(p,d),
cuando 1p y 1q la varianza condicional es:
11
2
110 +
ttt hh
Si 0p , y 0q entonces el modelo es un ARCH(q)24, si consideramos ahora, como en
el caso del ARCH que:
ttt ZY
+
tZ es el vector de variables endgenas y es el vector de parmetros. Consideremos lospolinomios )...()( 221
q
qBBBB + y )...()(2
21
p
pBBBB + donde B es el
operador de retardo:xtt
x wwB
. Ahora escribimos la varianza condicional como:
ttt hBBh )()(2
0 +
Si se verifica que todas las raices de 0)(1 =z caen fuera de un crculo de radio
unitario, la varianza condicional resulta un ARCH )( , esto es:
tt BBh 110 ))(1)(())1(1(
=
=
+
1
21
10 )1(
iiti
p
iit
h
Teorema. Bollerslev (1986):
El GARCH(p,q) definido anteriormente es estacionario en sentido amplio con
0)( =tE ,1
0))1()1(1()( + tVar , 0),( =stCov ts si y solamente si
1)1()1(
7/26/2019 Econometra- Modelo de Regresin No Lineal- Arch-garch.
43/58
43
in
m
iinn
=
1
0/ 1pn
Denotemos porkk la k-sima correlacin parcial de
2
t , para determinar cada una
definimos el siguiente sistema de ecuaciones con k incognitas y k ecuaciones:
=
k
iinkin
1
kn ...2,1
Si el proceso es un ARCH(q), entonces:
0kk si qk<
0kk si qk>
Tanto n como kk deben estimarse con los datos observados. Se espera que el
comportamiento de un modelo GARCH tenga similitud con el ARCH. En la prctica el
primer modelo requerir un nmero de trmino menor al ARCH.
Ejemplo 13.
Tomando la informacin del ejemplo anterior, representamos las funciones de
autocorrelacin y autocorrelacin parcial de 2t
Nm. de retardos
16151413121110987654321
ACF
1,0
0,5
0,0
-0,5
-1,0
RE1C
Lmite de confianzainferior
Lmite de confianzasuperior
Coeficiente
Se puede observar que tanto la funcin de autocorrelacin como la funcin deautocorrelacin parcial hay varios valores que salen de los lmites de confianza, por
7/26/2019 Econometra- Modelo de Regresin No Lineal- Arch-garch.
44/58
44
tanto son significativamente diferente de cero. Un modelo tentativo para la varianza
condicional es un ARCH(4). Si se emplea un GARCH debe esperarse un nmero menor
de parmetros a estimar.
Nm. de retardos
16151413121110987654321
ACFparci
al
1,0
0,5
0,0
-0,5
-1,0
RE1C
Lmite de confianzainferior
Lmite de confianzasuperior
Coeficiente
VI1b.-Estimacin de los parmetros de GARCH-generalizacin.
La estimacin de los parmetros parte del supuesto de que las innovaciones tienen una
distribucin normal, la exposicin se har considerando los comentarios que hace
Green(1999) al artculo original de Bollerslev (1986). Asumiendo que t sigue una
distribucin normal ),0( thN Partimos entonces, que la funcin de mxima verosimilitud
es:
=
2
2
11
2
1
ln2
1)2ln(
2),;(
t
tn
t
n
t
t
n
tttttY h
hn
gZyfLn
Donde:
ptpttqtqtttt hhhh + ...... 221122
22
2
110
ttt
ZY
7/26/2019 Econometra- Modelo de Regresin No Lineal- Arch-garch.
45/58
7/26/2019 Econometra- Modelo de Regresin No Lineal- Arch-garch.
46/58
46
Recordemos que el contraste de multiplicadores de Lagrange para el caso del modelo de
regresin restringido parte de
[ ])();();(,,
rRLnLMaxLnLMax T
R
De donde es test es:**
*1
**
/)/);(()()/);((R
T
RRRR
T
RR eeLnLILnLnML
En este caso el estadstico tiene la forma:
00
1
0000)(
2
1gXXXXgML
TTT =
Donde:T
nnhhhg 1,...1,1 121
2
2
2
1
1
2
10
T
nn hhhhhhX )/,..../,/(
22110
Estn evaluados bajo la hiptesis nula.
Este estadstico se distribuye con una 2 con tantos grados de libertad como elementostiene el vector
2 , un test equivalente es:2nRML
=
Donde 2R es el coeficiente de correlacin mltiple entre0
g y0
X que de la misma
forma se distribuye con una 2 con tantos grados de libertad como elementos tiene el
vector2 .
Es importante el comentario que hace el autor, para la hiptesis nula de que el modelo
es un ARCH(q), el contraste de los multiplicadores de Lagrange, usando como hiptesis
alternativas GARCH(r,q) o ARCH(q+r) el resultado se confunde. Siguiendo a Green, el
contraste para ARCH(q) frente a GARCH(p,q) es exactamente el mismo que l de
ARCH(q) frente a ARCH(p+q).
VI3b Modelos relacionados. INGAR
En los ltimos aos hay un creciente inters en aquellos procesos tanto de conjunto de
ndice como espacio discreto, en especial los procesos de Poisson entre cuyas
aplicaciones estn: cierto tipo de transacciones que se realiza en el mercado y problemas
relacionados con epidemiologa, de ah surge el estudio del modelo INGAR. Los
autores Ferland, R et al (2006) presentan un estudio bastante completo en su artculo
donde estudian las propiedades generales de este modelo y luego lo particularizan a un
modelo INGAR(1,1) y finalmente dan una aplicacin empleando los datosepidemiolgico de la infeccin de campylobacterosis. Ahora cambiamos el proceso
),0(/1 t
d
tt hN por )(/ 1 t
d
tt hP lo que quiere decir que la distribucin condicional
del proceso dado el conjunto de informacin poissoniano, es una distribucin de
Poisson.
El modelo INGARCH ),( qp se define como:
)(/ 1 td
tt hP Zt
ptpttqtqtttt hhhh
+ ...... 221122
22
2
110
0,0 >
qp , 00>
, 0i para qi ...2,1 ; 0i para pi ...2,1 . Empleando lospolinomios en funcin del operador de retardo: )...1()( 2
21
q
qBBBB + y
7/26/2019 Econometra- Modelo de Regresin No Lineal- Arch-garch.
47/58
47
)...1()( 221
p
pBBBB + y asumiendo que las races de ambos polinomios caen
fuera de un crculo unitario y adems 1)1(1
o equivalentemente que 1011
, entonces tiene al menos un lmite seguro.
2) La sucesin es un proceso estrictamente estacionario para cada n .3) Si 0)1()1( > , entonces los dos primeros momentos son finitos.
4) INGARCH(p,d) est relacionado con el ARMA { } pqp ,,max
El modelo INGARCH(1,1) tiene la forma:
)(/ 1 td
tt hP Zt
11
2
110 +
ttt hh
Las propiedades ms importantes son en este caso:
1) la media es: )1/( 110
2) ))(1/())(1()( 211
2
1
2
11
+t
Var
3) La funcin de autocorrelacin : ))(1/())((1()( 211
1
111111 +rr
La estimacin de los parmetros de modelo INGARCH es similar al mtodo empleado
en GARCH, solo debemos cambiar la funcin de verosimilitud que en el segundo
asume normalidad de t . En el caso INGARCH es por tanto:
=
=
n
t t
tt
teL
1 !)(
7/26/2019 Econometra- Modelo de Regresin No Lineal- Arch-garch.
48/58
48
VII.-Constraste de linealidad: DBS.25
En los ltimos aos han surgido un conjunto de test para contrastar la hiptesis nula de
linealidad de la serie de tiempo versus la alternativa de no linealidad. Uno de lo ms
reciente es el que presenta Escanio. J.C (2006). En su artculo hace un recuento de los
diferentes trabajos que tratan el tema. Despus de hacer una breve crtica de los testbasado en las correlaciones de los residuos para detectar la buena especificin de un
modelo con datos temporales, y de otra naturaleza como los basados en ncleos,
presenta su test que parte del concepto de transformada de Fourier explicando y
demostrando posteriormente las propiedades del mismo y finalmente presenta un
ejemplo va simulacin. Se menciona este trabajo, al inicio de esta parte de la
monografa dada su importancia, sin embargo escapa del nivel de la misma. Por tanto
presentaremos uno de los test ms usados como lo es el test de Brock, Dechert y
Scheinkman: BDS.
Primeramente consideramos lo que se denomina historia de dimensin n . Entonces
dada la sucesin { }TtYt; formemos las historias con un nmero finito:
( )2 = },,.....,,,,, 12322110 tt YYYYYYYY ( )3 = }
212432321210,,.....,,,,,,,,
ttt YYYYYYYYYYYY
Al construir historia lo que hacemos una aplicacin: mRR , esto es:
{ }
{ }
)1(2 ...,, +nttttt YYYYY . Takens demostr que la aplicacin sealada anteriormente,
conserva las propiedades topolgica de la orbita original del sistema en otra palabras,
las m historias reproducen la dinmica del sistema original si n2d+1, siendo d la
dimensin del subespacio que contiene al actractor.
El problema es determinar los valores de los parmetros y n que nos permitan detectar
la existencia del atractor. Si es muy grande ser difcil distinguir el efecto de las
condiciones iniciales y las variables estarn incorrelacionadas y si es muy pequeo los
puntos estarn muy cercanos los elementos de las m historias seran muy parecidos. Para
determinar m hay varios mtodos que se describen en la bibliografa especializada. Uno
de esto es la correlacin espacial dada por:
{ } )1)()((/)()()(
1,
=
nTnTnynyCnT
ijij
jin
)()( nynyji
es la distancia euclidea entre )(nyi y )(nyj . Entonces se verifica:
{ })()( nynyji
=1 si )()( nyny ji <
{ }
)()( nyny ji
=0 si )()( nyny ji
>
El test (BDS) debido a los autores Brock, Dechert y Scheinkman asumen como
hiptesis nula que la serie responde a una sucesin de variables aleatorias
independientes e idnticamente distribuidas en donde para una dimensin n, ( )nC =
( )nC 1 . La hiptesis alterna es que la serie responde a un sistema determinstico oestocstico no lineal. Para contrastar la hiptesis nula proponen el estadstico:
( )NWn , = N ( ( )nC - ( )n
C 1 )/ )(*
n
25
Este test est explicado en A.E.Reyes P (2007)Herramientas Cuantitativas en La Toma de Decisin Empresarial.Fondo Editorial Tropykos-Caracas
7/26/2019 Econometra- Modelo de Regresin No Lineal- Arch-garch.
49/58
49
Dado: ( )nC , ( )n
C 1 , )(*
n es la desviacin estndar de ( ( )nC - ( )n
C 1 ). Esta viene
dada como:
=)(* n 24 +nh 4 })1( 222222
1
1
=
+
nnjn
j
jm hcncnch
Para obtener el valor de h simplificaremos la notacin de lafuncin )()( nxnx ji como ),( jiH .
h= ( ) ))2)(1(/()),(),(,(),(),(),(21 1 1
++ = += +=
nnnrtHtsHsrHrtHrsHstHn
t
n
ts
n
s
Bajo la hiptesis nula este estadstico se distribuye como una normal N(0,1). Si el valor
del estadstico es tal que ( ) ( )( )
7/26/2019 Econometra- Modelo de Regresin No Lineal- Arch-garch.
50/58
50
ANEXO 1 SPSS: REGRESIN NO LINEAL LIBRE Y RESTRINGIDA.
El siguiente anexo presenta las ventanas del SPSS para el problema de regresin no
lineal, la visualizacin de la mismas debe ser suficiente para un lector avisado, sin
embargo nos tomaremos la libertad de explicar la misma, sin tener la pretensin de
dictar un curso de SPSS que los hay mejores, en mucho. Suponemos que el usuarioconoce el manejo de la base de datos de este paquete tan popular entre alumnos y
especialista, por tanto, aunque parezca trivial la explicacin que sigue lo haremos para
aquellos que no estn tan familiarizado, aunque insistimos, ver la secuencia debera ser
lo suficientemente ilustrativo. La primera ventada es la seleccin del men.
Al seleccionar Nonlinear, obtendr una nueva ventana donde aparece la lista de
variables.
7/26/2019 Econometra- Modelo de Regresin No Lineal- Arch-garch.
51/58
51
Adems una casilla donde debe especificar los parmetros, al activar el botn
parameters, aparecer una nueva ventana donde debe colocar el nombre del primer
parmetro y el valor inicial, al terminar debe activar el botn Add, luego escribir el
nombre del segundo parmetro y su valor adicional y, activar nuevamente el botnAdd.Este procedimiento continua tanta veces como parmetro tiene el modelo.
7/26/2019 Econometra- Modelo de Regresin No Lineal- Arch-garch.
52/58
52
Al finalizar la escritura de todos los parmetros active continuar: Continue. Con este
ltimo paso se presentara en la ventana parameers la lista de los nombres de los
parmetros con los valores iniciales seleccionados entre parntesis. Si desea cambiar o
remover algn parmetro, debe activar nuevamente la ventana parameters, al hacerlo
aparecer la ventana con los parmetros que utiliz para signarle nombres y valor
iniciales y podr usar los botones remove y change Esta misma ventana permite
cambiar o remover un parmetro o su valor inicial.
Una vez realizado este procedimiento, escriba el nombre de la variable dependiente en
la casilla correspondiente.
En la casilla Model expression introduzca los parmetros indicando si estnmultiplicado las variables o si son exponentes de las mismas, para ello emplee el
recuadro de nmeros y smbolos o la listas de funciones. En la listas de smbolos cuenta
con parntesis, el smbolo de multiplicar con un asterisco etc. En el caso de necesitar
alguna funcin preestablecida en la lista de las mismas debe recordar que debe indicarle
el argumento, este aparecer con un smbolo de interrogacin hasta tanto usted no lodefina.
7/26/2019 Econometra- Modelo de Regresin No Lineal- Arch-garch.
53/58
53
7/26/2019 Econometra- Modelo de Regresin No Lineal- Arch-garch.
54/58
54
Concluido lo sealado active el botn OK.Si el modelo est especificado con una o varias restricciones sobre los parmetros active
el botn constraints ymarque el redondillo:Define parameters constraints, entonces
podr escribir cada restriccin con la ayuda del cuadro de nmeros y smbolos. Al ladoderecho de la casilla donde escribe la forma de la restriccin, tiene para seleccionar el
tipo de disigualda y el valor nmrico con la se compara la restriccin.
Repita este procedimiento tanta veces como restricciones tiene el modelo. Al finalizar le
dar al botn continuar. Hay que tener cuidado en el momento de especificar las
restricciones pues el paquete tiene ciertas limitaciones si en la ventana se seleccion
como Options : Estimation Method Levenberg-Marquardt, que es un mtodo deestimacin que est entre el mtodo de la expansin de Taylor y el mtodo de la
pendiente descendiente.
Los otros botones que estn en la primera ventana son: 1) Reset, que borra todo loescrito si se quiere modificar sustancialmente el modelo. 2) Save, que permite guardaren labase de datos los valores predichos por el modelo, los residuos y las derivadas delos parmetros evaluadas en cada punto.3)Loss,permite definir una funcin de prdidao penalizacin. 4) Paste, que permite obtener el programa del procedimiento empleado.
7/26/2019 Econometra- Modelo de Regresin No Lineal- Arch-garch.
55/58
55
REFERENCIA BIBLIOGRFICA.
Audrino, F. (2005)
Local Likelihood for non parametric ARCH(1) Models.
Journal of Time Series Analysis Vol 26, N 2 pag. 252-278.
Avriel, M (2003)Nonlinear Programming-Analysis and MethodsDover Publications. INC. New York.
Bazaraa, M.S.; Shetty, C.M (1979)NonLinear Programming. Theory and Algorithms.Jonh Wiley and Sons.-New York.-USA.
Blake, A.P and Kapetanios. G (2003)
Pure significance test of unit root hypothesis against nonlinear alternatives.
Journal of Time Series Analysis Vol 24, N3 pag. 254-267.
Bollerslev, T. (1986)
Generalized Autoregressive Conditional Heteroskedasticity.
Journal of Econometrics 31; pag. 307-327.
7/26/2019 Econometra- Modelo de Regresin No Lineal- Arch-garch.
56/58
56
Byers, J.D and Peel, D.A (1995)
Foecasting Industrial Production Using Non-Linear Methods.
Journal of Forecasting, Vol 14, pag. 325-336.
Chandr,. A and Taniguchi Masanobu (2006)
Minimum -divergence Estimation for ARCH Models.Journal of Time Series Analysis Vol 27, N1 pag. 19-39.
Cline, D.B.H (2006)
Evaluating the Lyapunov Exponent and Existence of Moments for Threshold AR-
ARCH Models.
Journal of Time Series Analysis Vol 28, N2 pag. 242-260.
Dhrymes, P.J (1970)Econometrics-Statistical foundations and Applications.Harper International Edition.-New York.
Draper, N.R and Smith.H (1981)Applied Regression Analysis. 2 Edition.John Wiley and Sons.Inc. New York.
Engle, R.F (1982)
Autoregresive Conditional Heteroscedasticity with Estimates of the Variance of
United Kingdom Inflation.
Econometrica, Vol 50, Pag 987-1007.
Escanciano, J.C (2006)
Goodness of Fit Test for Linear and Nonlinear Time Series Models.
Journal of American Statistical Association. Vol 101, N 474 pag. 531-541.
Ferland, R. ; Latour, A. ;Oraichi, D(2006)
Integer-Valued GARCH Process.
Journal of Time Series Analysis Vol 27, N2 pag. 923-942.
Green, W.H (1999)Anlisis Economtrico. 3 Edicin.Prentice Hall-Madrid-Espaa.
Gujarati, D.N (2004)Econometra 4 Edicin.McGraw Hill-Mxico.
Koopman, J.S. ; Ooms, M. ; Carnero,M.A. (2007)
Periodic Seasonal Reg-AFIRMA-GARCH Models for Daily Electricity Spot Prices.
Journal of American Statistical Association. Vol 102, N 477 pag. 16-27.
Kumar, K (1986)
On The Identification of Some Bilinear Time Series Models.
Journal of Time Series Analysis Vol 7, N2 pag. 117-122.
7/26/2019 Econometra- Modelo de Regresin No Lineal- Arch-garch.
57/58
57
Lai, D.;Chen, G (2003)
Distribution of the Estimated Lyapunov Exponents from Noisy Time Series.
Journal of Time Series Analysis Vol 24, N 6 pag. 706-720.
Maddala,G,S (1986)
Introduccion a la Econometra. 2 Edicin.Prentice Hall-Madrid-Espaa.
Marcelo, M.C. ; Veiga, A (2003)
Diagnostic Checking in a Flexible Nonlinear Time Series Model.
Journal of Time Series Analysis Vol 24, N 4 pag. 461-481.
Novales, A (1993)Econometra. 2 Edicin.McGraw Hill.-Mxico.
Pindyck, R.S. ; Rubinfeld, D.L (2000)Econometra:-Modelos y Pronsticos. 4 Edicin.McGraw Hill.-Mxico.
Samoro, A.; Spokoiny, V. ;Vial, C (2005)
Component Identification and Estimation in Nonlinear High_Dimension Regression
Models by Structural Adaptation.
Journal of American Statistical Association. Vol 100, N 470 pag. 429-445.
Rochon, J.(1992)
ARMA Covariance Structure with Time Heteroscedasticity for Repeated Measures
Experiments.
Journal of American Statistical Association. Vol 87, N 419 pag. 777-784.
Theil, H (1971)Principles of Econometrics.John Wiley and Sons.Inc. New York.
Tsay, R.S (1987)
Conditional Heteroscedasticic Time Series Models.
Journal of American Statistical Association. Vol 82, N 398 pag. 590-604.
Zellner, A.,and M. Geisel(1970)
Analysis of Distributed Lag Models wiht Application to the Consumption Funtion
Econometrica, 38, pag 865-888.
7/26/2019 Econometra- Modelo de Regresin No Lineal- Arch-garch.
58/58