Guı́a de Utilización de E-Views

10 de octubre de 2005
Índice general

1. Introducción a E-Views 2
1.1. Distintos tipos de archivos en E-views . . . . . . . . . . . . . . 2
1.2. Creación de un fichero de trabajo . . . . . . . . . . . . . . . . 2
1.3. Introducción de datos . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.1. Escribir los datos en E-Views . . . . . . . . . . . . . . 3
1.3.2. Copiar los datos desde una planilla de cálculo . . . . . 4
1.3.3. Importar los datos desde archivos ASCII, Excel u otros
tipos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.4. Creación de nuevas series . . . . . . . . . . . . . . . . . . . . . 5

2. Series Temporales 6
2.1. Inspección de los Datos . . . . . . . . . . . . . . . . . . . . . . 6
2.1.1. Inspección Gráfica . . . . . . . . . . . . . . . . . . . . 6
2.1.2. Inspección numérica . . . . . . . . . . . . . . . . . . . 11
2.1.3. Test de Hipótesis . . . . . . . . . . . . . . . . . . . . . 11
2.1.4. Regresión y Selección de Modelo . . . . . . . . . . . . . 12
2.1.5. Predicción . . . . . . . . . . . . . . . . . . . . . . . . . 14

3. La Programación en E-Views 15
3.1. Programas Básicos . . . . . . . . . . . . . . . . . . . . . . . . 15
3.1.1. El comando ”for” . . . . . . . . . . . . . . . . . . . . . 15
3.1.2. Generación de Series Temporales . . . . . . . . . . . . 17
3.1.3. Generación de un Sistema de Variables Cointegradas . 19
3.2. Simulaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2.1. Test de Raı́z Unitaria . . . . . . . . . . . . . . . . . . . 19
3.2.2. Regresión Espuria: Variables Estacionarias . . . . . . . 20
3.2.3. Regresión Espuria: Variables no Estacionarias . . . . . 22

1
Capı́tulo 1

Introducción a E-Views

1.1. Distintos tipos de archivos en E-views

E-Views cuenta con varios tipos de archivos, sin embargo los dos tipos de
archivos que más utilizaremos son los ”workfile” cuya extensión es ”wf1” y
los archivos con extensión ”prg” que son para programar en E-Views.
Los archivos con los que normalmente se trabaja para hacer cualquier
tipo de operación (Estadı́stica descriptiva, estimación e inferencia, etc.) y en
los que están guardados los datos son los workfile.
Los archivos prg son utilizados para realizar tareas de mayor complejidad
o iterativas como por ejemplo simulaciones.

1.2. Creación de un fichero de trabajo

Para crear un fichero de trabajo es necesario definir la periodicidad y el
rango de los datos, esto se realiza seleccionando los comandos File/New/Workfile
del menú principal. Esto nos lleva a una pantalla de diálogo en cuya parte
superior izquierda brinda la posibilidad de elegir:

1. Unstructured/Undated: Esta es la opción que vamos a elegir si vamos

a trabajar con datos de tipo corte transversal.

2. Dated - regular frequency: Esta es la opción que utilizaremos cuando

trabajemos con series temporales.

3. Balanced Panel: Esta opción será elegida en caso de contar con un panel
de datos balanceado.

2
 En algunas ocasiones conviene trabajar los datos de series temporales con
la opción 1. Pero por lo general la elección que haremos será la indicada en
enumeración anterior.
De acuerdo a la selección que hagamos tendremos que completar de ma-
nera diferente la parte superior derecha del cuadro de diálogo.
En caso de elegir la opción Unstructured/Undated deberá indicarse la
cantidad de observaciones que se utilizarán.
Si hemos elegido la opción Dated - regular frequency las opciones y la
forma en que se completa los cuadros siguientes son:

1. Annual: Datos anuales. Ejemplo: Si tenemos datos anuales desde 1990 a

2000, elegiremos: Frequency: Annual, Start Date:1990, End Date: 200.

2. Semi-annual: Datos semestrales. Ejemplo: Si tenemos datos semestrales

desde del primer semestre de 1990 al segundo semestre de 2000, elegire-
mos: Frequency: Semi-annual, Start Date:1990:01, End Date: 2000:02.

3. Quarterly: Datos trimestrales. Ejemplo: Si tenemos datos trimestra-

les desde el segundo trimestre de 1990 al tercero de 2000, elegiremos:
Frequency: Quarterly, Start Date: 1990:02, End Date: 2000:03

4. Monthly: Datos mensuales. Ejemplo: Si tenemos datos mensuales desde

febrero de 1990 a marzo de 2000, elegiremos: Frequency: Quarterly,
Start Date: 1990:02, End Date: 2000:03

5. Weekly: Datos semanales.

6. Daily - 5 day week: Datos diarios.

7. Daily - 7 week: Datos diarios tomando la semana completa.

En estas últimas tres opciones la forma de introducir el rango de los

datos es la siguiente: mes/dia/año. En el caso de los datos semanales E-
Views considerará la semana del primer dı́a de la misma.
Si el rango de los datos incluye años completos puede introducirse el año
inicial y final independientemente de la periodicidad de los datos.

1.3. Introducción de datos

1.3.1. Escribir los datos en E-Views
Para escribir los datos es necesario:

3
 1. Generar una serie. La forma de hacerlo es Object/New Object/Series.
Una vez realizado este procedimiento, en cada celda aparecerá una serie
con ”NA”, este es el sı́mbolo que E-Views asigna a las observaciones
que no tienen un valor.

2. En la ventana de esta nueva serie hacer click en el botón ”Edit+/-”.

3. Escribir sobre cada uno de los NA.

4. Hacer click nuevamente el botón ”Edit+/-”.

5. A la nueva variable se le puede asignar un nombre haciendo click en el

botón ”Name”.

Esta forma de introducir los datos es muy ineficiente y por lo tanto no

recomendada.

1.3.2. Copiar los datos desde una planilla de cálculo

Los pasos son los mismos que en el anterior reemplazando el paso 3 por:
En Excel copiamos los datos que queremos usar. En E-views ubicamos el
cursor sobre la primer celda y pegamos los datos.
Esta forma es igual de ineficiente que la anterior.

1.3.3. Importar los datos desde archivos ASCII, Excel

u otros tipos
Esta es la opción recomendada. A continuación se explica el procedimiento
para pasar los datos desde Excel (para el resto de archivos el procedimiento
es similar).
La opción para importar datos de Excel es la siguiente: ”File/Import/Read
Text-Lotus-Excel...”
Ejecutando esta alternativa aparecerá una ventana para que seleccione-
mos el archivo de Excel del que vamos a importar los datos (el archivo debe
estar cerrado). Una vez seleccionado el archivo aparecerá una ventana de
diálogo en la que debemos seleccionar:

1. Si las series en el archivo de Excel se encuentran por columna elegimos

”By observation - series in columns” y si las series están por filas ”By
Series - series in row”.

2. ”Upper-left data cell”: en esta casilla hay que introducir la celda en

la que se encuentra la primer observación. Si en la planilla de excel

4
 tenemos, por ejemplo, las series en columnas comenzando con la primer
serie en la columna B y en la celda B1 está el nombre de la serie y en
la celda B2 ya comienzan las observaciones, colocaremos ”B2” en esta
casilla. E-Views tomará por defecto el nombre de las series.

3. En la casilla ”Excel 5 + sheet name” colocaremos el nombre de la hoja

de Excel en la que se encuentran los datos.

4. En la casilla ”Name for series or Number if name in file” se puede

escribir el nombre que se le quiere asignar a las series en el orden en
que están en la hoja de Excel o simplemente (si las series en la hoja
de Excel tienen nombre) escribir el número de series que se quiere
importar.

5. En la casilla ”Import sample” tenemos la posibilidad de importar sólo

una parte de los datos y no todo el rango. Si queremos importar datos
con el rango del workfile la opción es ”Reset sample to: Workfile range”.

1.4. Creación de nuevas series

Una vez que tenemos los datos E-Views permite construir nuevas series
a partir de las existentes. Por ejemplo, es posible generar las series en lo-
garitmos, en primeras diferencias, obtener los cuadrados de las series, etc.
También es posible construir nuevas series a partir de dos o más series, por
ejemplo, es posible generar la suma o producto entre series.
Existen muchas formas de generar series. Previamente vimos que es po-
sible generar series seleccionando Object/New Object/Series en menú.
Otra forma es generar las series mediante expresiones matemáticas. Hacer
click en el menú Quick/Generate Series e introducir el nombre de la nueva
series y la expresión algebraica, por ejemplo, si ya tenemos las series ”precio”
y ”cantidad” podemos definir la serie ”valor” de la siguiente manera: valor
= precio*catidad.

5
Capı́tulo 2

Series Temporales

En este capı́tulo utilizaremos los datos del libro de Excel datos.xls de la

hoja ”LS2”. Estos datos fueron tomados de Brockwell and Davis [1] (2002) y
contienen 150 observaciones de las variables SALES y LEAD que representas
las ventas y un indicador anticipado de las ventas.

2.1. Inspección de los Datos

Antes de especificar el modelo que queremos ajustar es aconsejable hacer
una inspección numérica y gráfica de cada una de las series y de las series en
su conjunto.

2.1.1. Inspección Gráfica

Es posible obtener gráficos de las series individuales y de las dos series
conjuntamente. Para obtener los gráficos seleccionamos las dos series pa-
ra lo cual hacemos clic sobre una de las series que queremos seleccionar y
manteniendo presionada la tecla ”CTRL” hacemos clic sobre la otra. Selec-
cionamos View/Open Selected/One Window/Open a Group, de esta manera
aparecerán las dos series en una sola ventana. La figura 2.1 muestra el pro-
cedimiento.
Para poner las dos series en un mismo gráfico seleccionamos View/Graph/Line
u otro tipo de gráfico, por ejemplo, Scatter. (figura 2.2)
Como vemos en la figura 2.3, cuando las escalas son muy distintas no es
muy til graficar las series en un mismo gráfico.
Si deseamos hacer un gráfico de cada una de las series no es necesario
generar un grupo. Simplemente haciendo doble clic en la serie que queremos
graficar y luego seleccionando View/Graph/Line. Desde el grupo también es

6
Figura 2.1: Generar un grupo

7
 Figura 2.2: Generar un gráfico de lı́neas

Figura 2.3: SALES y LEAD en un nico gráfico

8
 Figura 2.4: SALES y LEAD en gráficos separados

posible poner cada serie en un gráfico separado. Seleccionamos View/Multiple

Graph/Line. La figura 2.4 muestra las series SALES y LEAD en gráficos
separados.

Función de Autocorrelación
También podemos ver la función de autocorrelación y la de autocorrela-
ción parcial de las series. La forma de hacerlo es la siguiente:
1. Hacemos doble clic en la serie que queremos analizar.
2. Seleccionar View/Correlogram...
3. Indicar si deseamos ver la función de autocorrelación de la serie en
nivel, en primera o segunda diferencia y el número de rezagos.

9
 Figura 2.5: Correlograma de LEAD

La figura 2.5 muestra la función de autocorrelación y la función de auto-

correlación parcial de la serie LEAD.
El gráfico de las dos series y su función de autocorrelación sugiere que
estamos en presencia de series no estacionarias.
Ahora definiremos las variables dleadt = leadt − leadt−1 y dsalest =
salest − salest−1 . Para definir las series en primera diferencia realizamos lo
siguiente:

1. Seleccionamos Quick/Generate Series.

2. Escribimos dlead = lead − lead(−1). Alternativamente podemos escri-

bir dlead = D(lead).

Para la variable sales repetimos el procedimiento.

10
 Figura 2.6: Estadı́sticas Descriptivas: Series en Primer Diferencia

2.1.2. Inspección numérica

Podemos obtener estadı́sticas descriptivas de las series. La forma en que
esto se realiza es:

1. Abrir las series que queremos analizar como grupo. Seleccionamos las
series y elegimos View/Open Selected/One Window/Open Group.

2. En la nueva ventana seleccionar View/Descriptive Statistics/Common

samples.

Para las series en primer diferencia los resultados se ven en la figura 2.6.

2.1.3. Test de Hipótesis

E-Views permite realizar test de hipótesis para cada una de las series.
Por ejemplo, se puede contrastar la hipótesis de que la media o la varianza
asumen cierto valor.
La forma de realizar este tipo de test es la siguiente:
1. Abrir la serie

2. Seleccionar View/Test for Descriptive Stats/Simple Hypothesis Tests

11
 Figura 2.7: Test de hipótesis sobre la media de D(SALES)

Por ejemplo, podemos estar interesados en ver si la media de la primer

diferencia de las ventas es 0.02. Los resultados de este test se muestran en la
figura 2.7.

2.1.4. Regresión y Selección de Modelo

Si estamos interesados en hacer predicciones sobre la evolución de las
ventas, lo primero que debemos hacer es seleccionar un modelo.
La forma en que seleccionamos el modelo es a través de los criterios de
información de Schwarz o Akaike. Seleccionamos el modelo que brinde el
menor valor de estos estadı́sticos.
Supongamos que encontramos que el modelo preferido es el que ajusta
la primer diferencia de las ventas con las diferencias en las ventas de 2 y 3
periodos hacia atrás y con las diferencias del indicador de 3, 4 y 5 periodos
hacia atrás.
La forma en que hacemos esta regresión es la siguiente:

1. Quick/Estimate Equation..., con esto nos aparecerá la ventana de diálo-

go de la figura 2.8.

2. Escribimos la ecuación que queremos estimar en la ventana de diálo-

go. Seleccionando el método de estimación y la muestra que queremos

12
 Figura 2.8: Estimación de una Ecuación

utilizar. En la figura 2.8 está escrita la ecuación que queremos estimar.

Equivalentemente, podrı́amos haber escrito: ”dsales dsales(-2) dsales(-
3) dlead(-3) dlead(-4) dlead(-5)”.

Para seleccionar el modelo hemos repetido este procedimiento y anali-

zado los resultados hasta que conseguimos el mı́nimo valor del criterio de
información.
La forma más rápida de hacer la regresión es escribiendo

ls dsales dsales(-2) dsales(-3) dlead(-3) dlead(-4) dlead(-5)

en la barra como aparece en la figura 2.9. El comando ”ls” indica a E-Views

que haga una regresión por mı́nimos cuadrados de la variable dsales contra
las variables dsales(-2), dsales(-3) dlead(-3), dlead(-4) y dlead(-5). No hemos
incluido el término de la constante, si quisiéramos hacerlo agregarı́amos ”c”
en la lista de regresores.
La ecuación estimada puede guardarse para ser utilizada luego. Para guar-
darla seleccionamos ”Name” y le damos un nombre. Luego haciendo doble
click en esta ecuación podremos utilizarla.

13
 Figura 2.9: Selección de modelo para predecir D(SALES)

2.1.5. Predicción
Si estamos interesados en realizar predicciones del cambio en las ventas
por ejemplo a tres periodos, primero necesitamos ampliar el rango de nuestro
workfile para lo cual seleccionamos: Proc/Structure/Rezise Current Page y
luego seleccionamos Undated/Irregular y 153 indicando que queremos agre-
gar 3 observaciones.
Ahora seleccionamos la ecuación que hemos elegido para hacer las pre-
dicciones haciendo doble click sobre ella. Seleccionamos ”Forecast” y nos
aparece un cuadro de diálogo con las siguientes opciones: Dynamic Forecast
y Static forecast. También nos sugiere que ”dsalessf” será el nombre de la
serie con las predicciones (podemos cambiarle el nombre si queremos). Una
vez que apretamos OK nos aparecerá el gráfico con las predicciones y con los
valores reales. Para obtener el valor de la predicción abrimos la serie dsalessf
(o el nombre que hayamos elegido para las predicciones).

14
Capı́tulo 3

La Programación en E-Views

3.1. Programas Básicos

3.1.1. El comando ”for”
En E-Views haremos lo siguiente: File/New/Program. Con esto nos apa-
rece una ventana en blanco en la cual tenemos que escribir nuestro programa.
La figura 3.1 muestra lo que escribimos en E-Views.
Lo que está escrito luego de ” ’ ” es un comentario y E-Views no lo tiene
en cuenta.
El comando ”create u 1 100” genera un workfile con la opción ”undated”
con 100 observaciones.
El programa funciona de la siguiente manera:

1. Crea una matriz A de 100 x 2 de ceros.

2. Rellena la primer columna de manera que el primer elemento sea 0, el

segundo 1, el tercero 2, y asısucesivamente.

3. En la segunda columna completa cada fila con la suma del elemento

de la fila anterior (columna 2) y del elemento correspondiente a esa fila
pero de la columna 1.

Luego tenemos el comentario ” Si lo único que interesa es el resultado de

la suma, se puede hacer lo siguiente: ”.
Lo que hace el programa es:

1. Generar un escalar y asignarle el valor cero.

2. Ir actualizando ese escalar con la suma de los elementos de la columna

de la matriz o vector que se quiere sumar.

15
Figura 3.1: El uso de ”for”

16
3.1.2. Generación de Series Temporales
Ruido Blanco
Creamos un nuevo programa donde escribimos:

create u 1 200
series WN1 = rnd
series WN2 = nrnd
series WN3 = 2 + @sqr(3)*nrnd

El comando ”rnd” genera nmeros aleatorios en el intervalo [0,1] con dis-

tribución uniforme. El comando ”nrnd” genera nmeros aleatorios con distri-
bución normal con media zero y varianza uno. Por lo tanto: W N 1 ∼ U (0, 1),
W N 2 ∼ N (0, 1) y W N 3 ∼ N (2, 3).

AR(1)
Para generar un proceso AR(1) vamos a crear un nuevo programa y es-
cribiremos lo siguiente:

create u 1 200
scalar rho = 0.5
smpl @first @first
series ar1 = 0
smpl @first+1 @last
series ar1 = rho*ar1(-1)+ nrnd

El comando ”scalar” genera un escalar de nombre rho y valor 0.5. Para

el proceso AR(1) el valor de rho debe asignarse en el intervalo (-1,1).
El comando ”smpl” es para indicar que vamos a trabajar son una muestra
en lugar del rango del workfile. En esta lı́nea le estamos indicando a E-Views
que trabaje nicamente con el primer elemento de las series.
El comando series, genera la series ”ar1”. Como estamos indicando ar1=0
y además estamos trabajando con la muestra del primer elemento, ”series ar1
= 0 ” genera una serie de ceros de un elemento.
La siguiente lı́nea le indica a E-Views que tome una muestra desde el
segundo elemento hasta el ltimo. Por ltimo, genera la serie ar1 multiplicando
al valor de ar1 del periodo anterior (que para el primer periodo lo hemos
generado igual a cero) por una constante rho que puede tomar valores entre
-1 y 1 (en este caso 0.5) y sumándole un nmero aleatorio con distribución
N (0, 1).

17
AR(2)

create u 1 200
smpl @first @first+1
series ar2 = 0
smpl @first+2 @last
series ar2 = 0.2*ar2(-1)+0.5*ar2(-2)+ nrnd

La nica diferencia con el programa anterior es que ahora necesitamos

asignar dos valores iguales a cero.

Random walk
Para generar este proceso repetimos el programa que hicimos para generar
un AR(1) pero asignamos ”rho = 1”.

Procesos de media móvil

create 1 200
smpl @first @last
series u = 10 + @sqr(3)*nrnd
series ma1 = u + 0.5*u(-1)
series ma2 = u + 0.5*u(-1) - 0.9*u(-2)

La serie u es un proceso de ruido blanco. Mientras que ma1 y ma2 son

procesos MA(1) y MA(2).

Proceso ARMA(1,1)

smpl @first @last

series u2 = nrnd
series ma11 = u2 + 0.5*u2(-1)
smpl @first @first
series arma11 = 0
smpl @first+1 @last
series arma11 = 0.5*arma11(-1) + ma11
smpl @first @last

18
Proceso ARMA(2,2)

series u3 = nrnd
series ma22 = u3 + 0.5*u3(-1) + 0.4*u3(-1)
smpl @first @first+1
series arma22 = 0
smpl @first+2 @last
series arma22 = 0.5*arma22(-1) + 0.2*arma22(-2)+ ma22
smpl @first @last

3.1.3. Generación de un Sistema de Variables Cointe-

gradas
create u 1 100
scalar rho = 0.6
scalar beta = 5
series z = 0 series x = 0
smpl @first+1 @last
series z = rho* z(-1) + nrnd
series x = x(-1) + nrnd
series y = beta*x + z

Este programa genera un sistema de variables que están cointegradas con

vector de cointegración (1, −β). La forma en que lo genera es la siguiente:

1. Genera una serie z que es AR(1).

2. Genera una serie x que es un random walk.

3. Genera una serie y = βx + z

3.2. Simulaciones
3.2.1. Test de Raı́z Unitaria
create u 1 1000
scalar rho = 0.1
vector(1000) t = 0
for !i = 1 to 1000
smpl @first @first

19
 series y = 0
smpl @first+1 @last
series y = rho*y(-1)+ nrnd
equation eq1.ls y c y(-1)
t(!i)=eq1.@tstats(2)
next
smpl @first @last mtos(t,tstat)

La forma en que este programa funciona es la siguiente:

1. Genera un proceso AR(1) yt = ρ ∗ yt−1 + et .

2. Estima por OLS: yt = a + byt−1 + et .

3. Calcula el estadı́stico t del coeficiente estimado b y lo guarda en el

vector ”t”.

4. Repite el proceso 1000 veces.

5. Muestra los resultados en la serie ”tstat”.

3.2.2. Regresión Espuria: Variables Estacionarias

create u 1 200
scalar n = 1000
matrix(n,7) comparar=0
vector(n) r1=0 vector(n) r2=0
for !j = 1 to n
smpl 1 200
series e = nrnd
stom(e,v)
vector(100) v1=0
vector(100) v2=0
for !i = 1 to 100
v1(!i)=v(!i)
v2(!i)=v(100+!i)
next
mtos(v1,ey)
mtos(v2,ex)
smpl 1 2
series y = 0
series x = 0
smpl 2 100

20
 series y = 0.8*y(-1) + ey
series x = 0.8*x(-1) + ex
equation ols1.ls y c x
comparar(!j,1) = ols1.@coefs(2) - 2*ols1.@stderrs(2)
comparar(!j,2) = ols1.@coefs(2) + 2*ols1.@stderrs(2)
comparar(!j,3) = (- comparar(!j,1)*comparar(!j,2) / abs(comparar(!j,1)*comparar(!j,2))
+ 1 )/2
r1(!j)=comparar(!j,3)
equation ols2.ls(n) y c x
comparar(!j,5) = ols2.@coefs(2) - 2*ols2.@stderrs(2)
comparar(!j,6) = ols2.@coefs(2) + 2*ols2.@stderrs(2)
comparar(!j,7) = (- comparar(!j,5)*comparar(!j,6) / abs(comparar(!j,5)*comparar(!j,6))
+ 1)/2
r2(!j)=comparar(!j,7)
next
scalar s1 = @sum(r1)/n
scalar s2 = @sum(r2)/n
vector(2) resultado=0
resultado(1)=s1
resultado(2)=s2

La forma en que este programa trabaja es la siguiente:

1. Genera una serie e de 200 nmeros aleatorios y luego la transforma en

el vector v.

2. Con los primeros 100 elementos de v construye v1 y con los restantes

v2.

3. Transforma los vectores v1 y v2 en las series ey y ex (Notar que

Cov(ex, ey) = 0)

4. Genera los procesos autorregresivos: yt = 0,8yt−1 + eyt

xt = 0,8yt−1 + ext

5. Estima las ecuaciones:

Ecuación ols1: yt = a + bxt + ut
Ecuación ols2: yt = a + bxt + ut (teniendo en cuenta la corrección de
Newey-West)

6. Calcula el intervalo de confianza ( b -2 sd(b), b+2 sd(b) ) para cada

ecuación. Los resultados de este cálculo están guardados en la matriz
comparar:

21
 columna 1: lı́mite inferior de ols1,
columna 2: lı́mite superior de ols1,
columna 3: 1 si el 0 está en el intervalo y 0 en caso contrario
columna 4: vacı́a
columna 5, 6 y 7: idem 1, 2 y 3 pero para la ols2.

7. Repite el procedimiento n veces y guarda los resultados en las filas de

comparar.

8. El porcentaje de veces que el cero está en el intervalo lo indican las filas

del vector resultado.

9. La primer fila corresponde al porcentaje de veces que el cero está en el

intervalo en el caso de la ecuación 1 y la segunda al de la ecuación 2
que tiene un estimador consistente de la varianza.

3.2.3. Regresión Espuria: Variables no Estacionarias

create u 1 200
series e = nrnd stom(e,v)
vector(100) v1 = 0
vector(100) v2 = 0
for !i = 1 to 100
v1(!i) = v(!i)
v2(!i) = v(100+!i)
next
mtos(v1,ey)
mtos(v2,ex)
smpl 1 2
series y = 0
series x = 0
series y1 = 0
series x1 = 0
smpl 2 100
series y = y(-1)+ ey
series x = x(-1) + ex
series y1 = 2 + y1(-1) + ey
series x1 = 2 + x1(-1) + ex
equation ols.ls y c x
equation ols1.ls y1 c x1

La forma en que este programa trabaja es la siguiente:

22
1. Genera una serie e de 200 nmeros aleatorios y luego la transforma en
el vector v

2. Con los primeros 100 elementos de v construye v1 y con los restantes

v2.

3. Transforma los vectores v1 y v2 en las series ey y ex (Notar que

Cov(ex, ey) = 0).

4. Genera los procesos

a) yt = yt−1 + eyt (random walk sin drift)

b) xt = yt−1 + ext (random walk sin drift)
c) y1t = 2 + y1t−1 + eyt (random walk con drift)
d ) x1t = 2 + x1t−1 + ext (random walk con drift)

5. Estima las ecuaciones:

a) ecuación ols: yt = a + bxt + ut

b) ecuación ols1: y1t = a + bxt + u1t

23
Bibliografı́a

[1] Peter Brockwell and Richard Davis, Introduction to time series and fore-
casting - second edition, Springer-Verlag, New York, 2002.

24