COMANDERA R (VAR)

Question 1

Que librerias ocupamos para modelos VAR?

Answer 1

1. library(tidyverse)
2. library(dynlm)
3. library(forecast)
4. library(tseries)
5. library(vars)
6. library(lmtest)
7. library(quantmod)
8. library(mFilter)
9. library(nlme)
10. library(graphics)

Question 2

M2.ts= ts(Base, start = c(2001,12), freq = 12)

Answer 2

se crea una base de datos de serie temporal que comienza desde dic 2001 con una frecuencia mensual

Question 3

m2a.ts= ts(m2.ts [,2], start = c(2001,12), frequency = 12)

IPC.ts= ts(m2.ts [,3], start= c(2001,12), frequency = 12)

Answer 3

indicamos con que columnas trabajaremos las variables de interés y transformarlas a tiempo

Question 4

lnm2= log(m2a.ts)
lnIPC= log(IPC.ts)

Answer 4

Transformamos las variables en log

Question 5

nsdiffs(lnm2)
nsdiffs(lnIPC)

Answer 5

Transformamos las variables en el mismo numero de diferencias de la que tenga mayor numero de cointegraciones para el modelo VAR (el IPC tiene dos cointegraciones)

Question 6

ts.plot(lnm2, lnIPC, col = c(“blue”,”red”), main= “cointegracion de M2 y el IPC en log”)

Answer 6

Realizar un grafico para determinar su paralelismo respecto a su cointegacion

Question 7

dlnIPC= diff(lnIPC)
d2lnIPC= diff(dlnIPC)

Dlnm2= diff(lnm2)
d2lnm2=diff(Dlnm2)

Answer 7

muestra de doble diferenciación por la variable del IPC que por teoría se diferencia dos veces con el objetivo de volver estacionaria la serie

Question 8

ts.plot(d2lnm2, d2lnIPC,col= c(“blue”, “green”), main= “SSSS”)

Answer 8

Realizamos un gráfico con las variables ya diferenciadas

Question 9

adf.test(d2lnm2)
adf.test(d2lnIPC)

Answer 9

Utilizamos métodos formales para verificar estacionariedad

Question 10

windows()

Answer 10

abre una ventana donde se pueden ver mejor los graficos

Question 11

1.grangertest(D2lnM~D2lnIPC, order = 2)

2.(grangertest(D2lnIPC~D2lnM, order = 2))

Answer 11

Prueba de hipótesis para verificar cointegracion
1—Ho: La variable X no causa cambios en Y
Ha: La variable X causa cambios en Y

2—-Ho: La variable Y no causa cambios en X
Ha: La variable Y causa cambios en X

Question 12

Vard2lnm2= ts(d2lnm2, start= c(2001,12), frequency=12)

vard2lnIPC=ts(d2lnIPC, start= c(2001,12), freq=12)

Answer 12

Crear nuevamente objetos con las variables diferenciadas

Question 13

homorfo= cbind(d2lnm2, d2lnIPC)

Answer 13

Crear una base de datos con un solo objeto

Question 14

VARselect(homorfo, lag.max= 12)

Answer 14

El objeto creado lo sometemos a selección de VAR, para generar criterios de información(# Con los cuatro criterios el orden de los rezagos es 11)

Question 15

homorfo1<- VAR(homorfo, p=11)
summary(homorfo1)

Answer 15

Revisión de las raíces polimoniales del modelo, si este es menor que 1 se esta cumpliendo la condición de estabilidad del modelo

Question 16

predict(homorfo1)
layout(1:2)
plot(homorfo1)

Answer 16

predict: crear variable a pronosticar, layout: ?, plot, grafico para ver la distribución de los errores

Question 17

serial<- serial.test(homorfo1, lags.pt = 11, type= “PT.asymptotic”)
serial

Answer 17

prueba de especificación del modelo
Ho: Los residuos no estan correlacionados; valor p > 0.05
Ha; Los residuos si estan correlacionados

Question 18

normalidad=normality.test(var1)
normalidad$jb.mul

Answer 18

prueba de normalidad
Ho; Los residuos se distribuyen normalmente
Ha; Los residuos no se distribuyen normalme

Question 19

Arch1=arch.test(homorfo1, lags.multi = 11)
arch

Answer 19

Prueba de varianza residual:

Ho; La varianza de los errores es constante

Ha; La varianza de los errores no es constante

Question 20

IRF<- irf(homorfo1, response = homorfo1$d2lnIPC, nahead=8, boot = TRUE)
plot(IRF)

Answer 20

Analisis impulso respuesta

Question 21

¿Cuáles son los pasos para realizar un pronóstico VAR?

Answer 21

1. Transformar base de datos a tiempo, ver en qué columnas están las variables de interés y transformarlas a tiempo
2. Transformamos las variables en log
3. Transformamos variables en diferencias para el modelo VAR (hay variables con mas de 1 diff)
4. Realizamos un gráfico con las variables ya diferenciadas para ver si la serie es estacionaria
5. Utilizamos métodos formales para verificar estacionariedad
6. Utilizamos métodos formales para verificar cointegracion
7. Generamos un nuevo objeto con las segundas diferencias
8. Crear nuevamente objetos con las variables diferenciadas
9. Crear un data frame con un solo objeto
10. El objeto creado lo sometemos a selección de VAR
    # Con los cuatro criterios el orden de los rezagos es 11
11. Revisión de las raíces polimoniales del modelo, si este es menor que 1 se esta cumpliendo la condición de estabilidad del model
12. Pronostico del modelo
13. Pruebas de especificación
14. Pruebas de normalidad en los errores
15. Prueba de varianza y covarianza residual
16. Analisis impulso respuesta
17. Grafico IR