Taller VII 1,2,4,5

En primer lugar se asume 𝑒𝑡 𝑖. 𝑖. 𝑑 (0, 𝜎𝑒2 ), por lo que,

i) 𝐸(𝑒𝑡 ) = 𝐸(𝑒𝑡−1 ) = ⋯ = 𝐸(𝑒1 ) = 0
ii) 𝐸(𝑒𝑡 𝑒𝑗 ) = 0, 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑡 ≠ 𝑗
2 )
iii) 𝐸(𝑒𝑡2 ) = 𝐸(𝑒𝑡−1 = ⋯ = 𝐸(𝑒12 ) = 𝜎𝑒2

Además, se asume que el valor inicial 𝑦𝑜 es independiente de 𝑒𝑡 para todo 𝑡 ≥ 1. La ecuación inicial se
puede escribir como 𝑦𝑡 = 𝑒𝑡 + 𝑒𝑡−1 + 𝑒𝑡−2 … + 𝑒1 + 𝑦𝑜 . Entonces,
𝐸(𝑦𝑡 ) = 𝐸(𝑒𝑡 ) + 𝐸(𝑒𝑡−1 ) + 𝐸(𝑒𝑡−2 ) + ⋯ + 𝐸(𝑒1 ) + 𝐸(𝑦0 )
𝐸(𝑦𝑡 ) = 0 + 0 + 0 + ⋯ + 0 + 𝐸(𝑦0 )
𝐸(𝑦𝑡 ) = 𝐸(𝑦0 )
𝐸(𝑦𝑡 ) = 0

Esto implica que,

𝐸(𝑦𝑡 ) = 𝐸(𝑦𝑡+ℎ ) = 0
𝑣𝑎𝑟(𝑦𝑡 ) = 𝑣𝑎𝑟(𝑒𝑡 ) + 𝑣𝑎𝑟(𝑒𝑡−1 ) + 𝑣𝑎𝑟(𝑒𝑡−2 ) + ⋯ + 𝑣𝑎𝑟(𝑒1 )
= 𝑡𝜎𝑒2

𝑦𝑡+ℎ = 𝑒𝑡+ℎ + 𝑒𝑡+ℎ−1 + 𝑒𝑡+ℎ−2 … + 𝑒1 + 𝑦𝑜

𝑣𝑎𝑟(𝑦𝑡+ℎ ) = 𝑣𝑎𝑟(𝑒𝑡+ℎ ) + 𝑣𝑎𝑟(𝑒𝑡+ℎ−1 ) + 𝑣𝑎𝑟(𝑒𝑡+ℎ−2 ) + ⋯ + 𝑣𝑎𝑟(𝑒1 )
= (𝑡 + ℎ)𝜎𝑒2

𝑐𝑜𝑣(𝑦𝑡 , 𝑦𝑡+ℎ ) = 𝐸(𝑦𝑡 , 𝑦𝑡+ℎ )

= 𝐸[(𝑒𝑡 + 𝑒𝑡−1 + 𝑒𝑡−2 … + 𝑒1 )(𝑒𝑡+ℎ + 𝑒𝑡+ℎ−1 + 𝑒𝑡+ℎ−2 … + 𝑒1 )]
2 ) 2 )
= 𝐸(𝑒𝑡2 ) + 𝐸(𝑒𝑡−1 + 𝐸(𝑒𝑡−2 + ⋯ + 𝐸(𝑒12 )
= 𝑡𝜎𝑒2

Por lo tanto,
𝑐𝑜𝑣(𝑦𝑡 , 𝑦𝑡+ℎ )
𝑐𝑜𝑟𝑟(𝑦𝑡 , 𝑦𝑡+ℎ ) =
√𝑣𝑎𝑟(𝑦𝑡 )√𝑣𝑎𝑟(𝑦𝑡+ℎ )
𝑡𝜎𝑒2
=
√𝑡𝜎𝑒2 √(𝑡 + ℎ)𝜎𝑒2
𝑡
=
√𝑡(𝑡 + ℎ)
𝑡
=√
𝑡(𝑡 + ℎ)
Del enunciado sabemos que, dado 𝑦𝑡 = 𝑧 + 𝑒𝑡 , para todo 𝑡 = 1,2,3, …,
𝐸(𝑒𝑡 ) = 0
𝑣𝑎𝑟(𝑒𝑡 ) = 𝜎𝑒2
𝐸(𝑒𝑡2 ) = 𝜎𝑒2
𝐸(𝑧𝑡 ) = 0
𝑧𝑡 = 𝑧
𝑣𝑎𝑟(𝑧𝑡 ) = 𝜎𝑧2
𝑐𝑜𝑣(𝑒𝑡 , 𝑧𝑡 ) = 0
𝑐𝑜𝑟𝑟(𝑒𝑡 , 𝑧𝑡 ) = 0

(a)
El valor esperado de 𝑦𝑡 está dado por,
𝐸(𝑦𝑡 ) = 𝐸(𝑧) + 𝐸(𝑒𝑡 )
=0+0
=0
La varianza de 𝑦𝑡 está dada por,
𝑣𝑎𝑟(𝑦𝑡 ) = 𝑣𝑎𝑟(𝑧) + 𝑣𝑎𝑟(𝑒𝑡 ) − 2𝑐𝑜𝑣(𝑧, 𝑒𝑡 )
= 𝜎𝑧2 + 𝜎𝑒2 − 2 ∗ 0
= 𝜎𝑧2 + 𝜎𝑒2
Se concluye que para este proceso, tanto el valor esperado como la varianza de 𝑦𝑡 no dependen del tiempo.

(b)
Dados,
𝑦𝑡 = 𝑧 + 𝑒𝑡
𝑦𝑡+ℎ = 𝑧 + 𝑒𝑡+ℎ
Para ℎ = 0,
𝑐𝑜𝑣(𝑦𝑡 , 𝑦𝑡+ℎ ) = 𝑣𝑎𝑟(𝑦𝑡 )
= 𝜎𝑧2 + 𝜎𝑒2
Para ℎ > 0,
𝑐𝑜𝑣(𝑦𝑡 , 𝑦𝑡+ℎ ) = 𝐸[(𝑧 + 𝑒𝑡 )( 𝑧 + 𝑒𝑡+ℎ )]
= 𝐸(𝑧 2 + 𝑧𝑒𝑡+ℎ + 𝑧𝑒𝑡 + 𝑒𝑡 𝑒𝑡+ℎ )
= 𝐸(𝑧 2 ) + 𝐸(𝑧𝑒𝑡+ℎ ) + 𝐸(𝑧𝑒𝑡 ) + 𝐸(𝑒𝑡 𝑒𝑡+ℎ )
= 𝜎𝑧2 + 0 + 0 + 0
 = 𝜎𝑧2
Como,
𝐸(𝑦𝑡 ) = 0, constante que no depende del tiempo
𝑣𝑎𝑟(𝑦𝑡 ) = 𝜎𝑧2 + 𝜎𝑒2 , constante que no depende del tiempo
𝑐𝑜𝑣(𝑦𝑡 , 𝑦𝑡+ℎ ) = 𝜎𝑧2 , para cualquier 𝑡, ℎ ≥ 1, además de ser independiente de 𝑡 y ℎ
Se concluye que este proceso si es estacionario en covarianza.

(c)
Como se sabe que 𝑦𝑡 es estacionario en covarianza y además,
𝑣𝑎𝑟(𝑦𝑡 ) = 𝑣𝑎𝑟(𝑦𝑡+ℎ )
Para cualquier 𝑡 y ℎ ≥ 1,
𝑐𝑜𝑣(𝑦𝑡 , 𝑦𝑡+ℎ )
𝑐𝑜𝑟𝑟(𝑦𝑡 , 𝑦𝑡+ℎ ) =
√𝑣𝑎𝑟(𝑦𝑡 )√𝑣𝑎𝑟(𝑦𝑡+ℎ )
2
𝜎𝑧
=
√𝜎𝑧2 + 𝜎𝑒2 √𝜎𝑧2 + 𝜎𝑒2
𝜎𝑧2
= 2
(𝜎𝑧 + 𝜎𝑒2 )

(d)
Como se derivó que para cualquier 𝑡 y ℎ ≥ 1,
𝜎𝑧2
𝑐𝑜𝑟𝑟(𝑦𝑡 , 𝑦𝑡+ℎ ) =
(𝜎𝑧2 + 𝜎𝑒2 )
Podemos concluir que la correlación no depende de la distancia temporal entre 𝑦𝑡 y 𝑦𝑡+ℎ , ya que siempre
será una constante. En otras palabras,
𝜎𝑧2
)
ℎ → ∞, 𝑐𝑜𝑟𝑟(𝑦𝑡 , 𝑦𝑡+ℎ = 2
(𝜎𝑧 + 𝜎𝑒2 )

Por lo que se deduce, de manera intuitiva, que 𝑦𝑡 no cumplirá la condición de no correlacion asintótica,
ya que aún cuando la brecha sea infinita la correlación será la misma, mientras que lo ideal fuera que
disminuyera con forme aumenta el rezago.

ESTE LO HACE MI CANI

 (a)
Partiendo del modelo inicial,
∆𝑌𝑡 = 𝛽0 + 𝛽1 ∆𝑌𝑡−1 + 𝑢𝑡 ~ 𝐴𝑅(1)

Sabemos que,
∆𝑌𝑡 = 𝑌𝑡 − 𝑌𝑡−1
∆𝑌𝑡−1 = 𝑌𝑡−1 − 𝑌𝑡−2

Entonces,
𝑌𝑡 − 𝑌𝑡−1 = 𝛽0 + 𝛽1 (𝑌𝑡−1 − 𝑌𝑡−2 ) + 𝑢𝑡
𝑌𝑡 = 𝛽0 + 𝛽1 𝑌𝑡−1 − 𝛽1 𝑌𝑡−2 + 𝑢𝑡 + 𝑌𝑡−1
𝑌𝑡 = 𝛽0 + (1 + 𝛽1 )𝑌𝑡−1 − 𝛽1 𝑌𝑡−2 + 𝑢𝑡 ~ 𝐴𝑅(2)

Se dice que 𝑌𝑡 es un proceso auto regresivo de orden 2 AR(2) porque las variables explicativas del modelo
son la misma variable endógena rezagada uno y dos periodos.

(b)
De la ecuación,
𝑌𝑡 = 𝛽0 + (1 + 𝛽1 )𝑌𝑡−1 − 𝛽1 𝑌𝑡−2 + 𝑢𝑡 ~ 𝐴𝑅(2)

Se puede derivar los coeficientes que acompañan a las variables explicativas del modelo a partir de los
coeficientes del modelo inicial; entonces,
𝑌𝑡 = 𝛼0 + 𝛼1 𝑌𝑡−1 − 𝛼2 𝑌𝑡−2 + 𝑢𝑡
Donde,
𝛼0 = 𝛽0 , 𝛼1 = (1 + 𝛽1 ), 𝛼2 = 𝛽1

Sabemos que en un proceso de media móvil de orden q MA(q) la variable 𝑌𝑡 se explica por los rezagos
del error. Además este error se comporta como ruido blanco (RB) y por lo tanto se puede decir que
cumple las siguientes propiedades,
 i) 𝐸(𝑒𝑡 ) = 𝐸(𝑒𝑡−1 ) = ⋯ = 𝐸(𝑒𝑡−𝑞 ) = 0
ii) 𝐸(𝑒𝑡 𝑒𝑗 ) = 0, 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑡 ≠ 𝑗
2 )
iii) 𝐸(𝑒𝑡2 ) = 𝐸(𝑒𝑡−1 2
= ⋯ = 𝐸(𝑒𝑡−𝑞 ) = 𝜎𝑒2

(a)
Dado el modelo,
𝑌𝑡 = 𝛽0 + 𝑒𝑡 + 𝑏1 𝑒𝑡−1 + 𝑏2 𝑒𝑡−2 + ⋯ + 𝑏𝑞 𝑒𝑡−𝑞
Con q como el número máximo de rezagos del error incluidos en la ecuación. Tomamos el valor esperado
a ambos lados de la ecuación,
𝐸(𝑌𝑡 ) = 𝐸(𝛽0 + 𝑒𝑡 + 𝑏1 𝑒𝑡−1 + 𝑏2 𝑒𝑡−2 + ⋯ + 𝑏𝑞 𝑒𝑡−𝑞 )
= 𝐸(𝛽0 ) + 𝐸(𝑒𝑡 ) + 𝐸(𝑏1 𝑒𝑡−1 ) + 𝐸(𝑏2 𝑒𝑡−2 ) + ⋯ + 𝐸(𝑏𝑞 𝑒𝑡−𝑞 )
= 𝛽0 + 0 + 𝑏1 0 + 𝑏2 0 + ⋯ + 𝑏𝑞 0
= 𝛽0

(b)
Tomando varianza a ambos lados de la ecuación,
𝑣𝑎𝑟(𝑌𝑡 ) = 𝑣𝑎𝑟(𝛽0 + 𝑒𝑡 + 𝑏1 𝑒𝑡−1 + 𝑏2 𝑒𝑡−2 + ⋯ + 𝑏𝑞 𝑒𝑡−𝑞 )
= 𝑣𝑎𝑟(𝛽0 ) + 𝑣𝑎𝑟(𝑒𝑡 ) + 𝑣𝑎𝑟(𝑏1 𝑒𝑡−1 ) + 𝑣𝑎𝑟(𝑏2 𝑒𝑡−2 ) + ⋯ + 𝑣𝑎𝑟(𝑏𝑞 𝑒𝑡−𝑞 )
= 0 + 𝑣𝑎𝑟(𝑒𝑡 ) + 𝑏1 2 𝑣𝑎𝑟(𝑒𝑡 ) + ⋯ + 𝑏𝑞 2 𝑣𝑎𝑟(𝑒𝑡−𝑞 ) + 2𝑏1 𝑐𝑜𝑣(𝑒𝑡 , 𝑦𝑡−1 ) + ⋯ + 2𝑏𝑞 𝑐𝑜𝑣(𝑒𝑡 , 𝑦𝑡−𝑞 )
+⋯
Los términos restantes son covarianzas para las distintas combinaciones de e. Sin embargo, como no hay
correlación serial, el valor de todas las covarianzas es 0, entonces se puede reescribir como,
𝑣𝑎𝑟(𝑌𝑡 ) = 𝑣𝑎𝑟(𝑒𝑡 ) + 𝑏1 2 𝑣𝑎𝑟(𝑒𝑡 ) + ⋯ + 𝑏𝑞 2 𝑣𝑎𝑟(𝑒𝑡−𝑞 )
Además, como la varianza es la misma para todos los periodos,
𝑣𝑎𝑟(𝑌𝑡 ) = 𝜎𝑒2 + 𝑏1 2 𝜎𝑒2 + ⋯ + 𝑏𝑞 2 𝜎𝑒2
= 𝜎𝑒2 (1 + 𝑏1 2 + ⋯ + 𝑏𝑞 2 )

(c)
Un proceso MA(1) está definido por la siguiente ecuación,
𝑌𝑡 = 𝛽0 + 𝑒𝑡 + 𝑏1 𝑒𝑡−1

Se derivan las auto covarianzas de la siguiente manera,

𝛾0 = 𝐸(𝑌𝑡 𝑌𝑡 ) = 𝑣𝑎𝑟(𝑌𝑡 ) = 𝑣𝑎𝑟(𝛽0 ) + 𝑣𝑎𝑟(𝑒𝑡 ) + 𝑣𝑎𝑟(𝑏1 𝑒𝑡−1 ) = 0 + 𝜎𝑒2 + 𝑏1 2 𝜎𝑒2 = 𝝈𝟐𝒆 (𝟏 + 𝒃𝟏 𝟐 )
𝛾1 = 𝐸(𝑌𝑡 𝑌𝑡−1 ) = 𝐸[(𝛽0 + 𝑒𝑡 + 𝑏1 𝑒𝑡−1 )(𝛽0 + 𝑒𝑡−1 + 𝑏1 𝑒𝑡−2 )]
= 𝐸(𝛽0 2 + 𝛽0 𝑒𝑡−1 + 𝛽0 𝑏1 𝑒𝑡−2 + 𝑒𝑡 𝛽0 + 𝑒𝑡 𝑒𝑡−1 + 𝑒𝑡 𝑏1 𝑒𝑡−2 + 𝑏1 𝑒𝑡−1 𝛽0 + 𝑏1 𝑒𝑡−1 2
+ 𝑏1 2 𝑒𝑡−1 𝑒𝑡−2 ) = 0 + 0 + 0 + ⋯ + 𝑏1 𝜎𝑒2 + 0 = 𝒃𝟏 𝝈𝟐𝒆
𝛾2 = 𝐸(𝑌𝑡 𝑌𝑡−2 ) = 𝐸[(𝛽0 + 𝑒𝑡 + 𝑏1 𝑒𝑡−1 )(𝛽0 + 𝑒𝑡−2 + 𝑏1 𝑒𝑡−3 )]
= 𝐸(𝛽0 2 + 𝛽0 𝑒𝑡−2 + 𝛽0 𝑏1 𝑒𝑡−3 + 𝑒𝑡 𝛽0 + 𝑒𝑡 𝑒𝑡−2 + 𝑒𝑡 𝑏1 𝑒𝑡−3 + 𝑏1 𝑒𝑡−1 𝛽0
+ 𝑏1 𝑒𝑡−1 𝑒𝑡−2 + 𝑏1 2 𝑒𝑡−1 𝑒𝑡−3 ) = 𝟎
𝛾3 = 𝟎
Es de aquí de donde se deriva que para la identificación de un proceso MA(1) se observa el valor de la
FAS, pues el numerador de la función de auto correlación simple es la auto covarianza de orden k, por
lo tanto para cualquier valor de k > q (el orden el proceso MA), la función de auto correlación será 0.