DE LOS

EFICIENCIA DE LA ESTIMACION
MODELOS TAR USANDO EL MUESTREADOR DE
GIBBS

Luz Adriana Gutierrez Rodriguez

UNIVERSIDAD SANTO TOMAS

DE AQUINO
FACULTAD DE ESTADISTICA

 DE LOS
EFICIENCIA DE LA ESTIMACION
MODELOS TAR USANDO EL MUESTREADOR DE
GIBBS

Luz Adriana Guti

errez Rodriguez
Trabajo de tesis para optar al ttulo de Estadstica
Directora
Hanwren Zhang
Doctora en Estadstica

UNIVERSIDAD SANTO TOMAS

DE AQUINO
FACULTAD DE ESTADISTICA

Indice general
Lista de figuras

Lista de tablas

Resumen

Introducci
on

II

1. Prerrequisitos te
oricos
1.1. Modelo TAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.1.1. Modelo TAR con distribucion de ruido t. . . . . . . . . .
1.1.2. Funci
on de verosimilitud condicional del modelo . . . . .
1.1.3. Estimaci
on bayesiana de los parametros no estructurales.
1.1.4. Muestreador de Gibbs para estimar parametros . . . . . .
1.1.5. Metodo de la grilla . . . . . . . . . . . . . . . . . . . . . .
1.1.6. Escenarios simulados . . . . . . . . . . . . . . . . . . . . .
1.1.7. Ejemplo simulado . . . . . . . . . . . . . . . . . . . . . .

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

1
1
1
2
2
6
6
7
13

2. Metodologa

16

3. Resultados

17

Recomendaciones

25

Bibliografa

26

Indice de figuras
1.1. Serie {xt } y {zt } simulados seg
un el modelo. . . . . . . . . . . . . . .
1.2. Gr
aficas CUSUM y CUSUMQ para los residuos del modelo estimado.

14
15

Indice de cuadros
1.1. Estimaci
on e intervalos de credibilidad del 95 % para los parametros
no estructurales estimados del ejemplo simulado 1. . . . . . . . . . .

14

3.1. Resultados
3.2. Resultados
3.3. Resultados
3.4. Resultados
3.5. Resultados
3.6. Resultados
3.7. Resultados
3.8. Resultados
3.9. Resultados
3.10. Resultados
3.11. Resultados
3.12. Resultados
3.13. Resultados
3.14. Resultados
3.15. Resultados
3.16. Resultados
3.17. Resultados
3.18. Resultados
3.19. Resultados
3.20. Resultados
3.21. Resultados
3.22. Resultados
3.23. Resultados
3.24. Resultados
3.25. Resultados
3.26. Resultados
3.27. Resultados
3.28. Resultados

17
17
17
18
18
18
18
19
19
19
19
20
20
20
20
21
21
21
21
22
22
22
22
22
22
22
23
23

Modelo
Modelo
Modelo
Modelo
Modelo
Modelo
Modelo
Modelo
Modelo
Modelo
Modelo
Modelo
Modelo
Modelo
Modelo
Modelo
Modelo
Modelo
Modelo
Modelo
Modelo
Modelo
Modelo
Modelo
Modelo
Modelo
Modelo
Modelo

uno. . . . . .
dos. . . . . .
tres. . . . . .
cuatro. . . . .
cinco. . . . .
seis. . . . . .
siete. . . . . .
ocho. . . . . .
nueve. . . . .
diez. . . . . .
once. . . . . .
doce. . . . . .
trece. . . . .
catorce. . . .
quince. . . . .
dieciseis. . . .
diecisiete. . .
dieciocho. . .
diecinueve. .
veinte. . . . .
veintiuno. . .
veintidos. . .
veintitres. . .
veinticuatro.
veinticinco. .
veintiseis. . .
veintisiete. . .
veintiocho. .

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

3.29. Resultados
3.30. Resultados
3.31. Resultados
3.32. Resultados

Modelo
Modelo
Modelo
Modelo

veintinueve. .
treinta. . . .
treinta y uno.
treinta y dos.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

23
23
23
23

Resumen
Se eval
ua el desempe
no de la metodologa propuesta por (Zhang, 2014) para la
estimaci
on de los modelos autorregresivos de umbrales (TAR) con ruido t usando el
muestreador de gibbs creando dos escenarios especficos. Se obtienen los resultados
de dichos escenarios para buscar generalidades que permitan generalizar el rendimiento de la metodologa.
Palabras clave: Modelo TAR, ruido t, muestreador de gibbs.

Introducci
on
En el transcurrir de las u
ltimas decadas se ha desarrollado un creciente n
umero
de modelos de umbral para capturar el movimiento no lineal de series de tiempo financieras, es as como en los acontecimientos en la especificacion del modelo derivan
modelos de correcci
on de errores como un tipo especfico de los mismos y permiten
al final hacer un ajuste m
as real y preciso a tales particularidades.
Lo anterior ha permitido proponer diferentes metodos estadsticos para modelar
las no linealidades resultantes, en particular se han empleado el modelo SETAR
(Self-Exciting Threshold Autoregressive) (Tong, 1990), el modelo autorregresivo de
cambio markoviano de regimen (Hamilton, 1994) y el modelo autorregresivo de transici
on suave (STAR) (Terasvita, 1992). Actualmente se han mostrado trabajos importantes al respecto, Nieto (Nieto, 2005) desarrollo una metodologa para analizar
series de tiempo, con datos faltantes que provienen de un modelo no lineal de tipo
TAR, usando el enfoque Bayesiano para la identificacion y estimacion de parametros, por su parte, Nieto y Moreno (Moreno, 2014) exploraron las tres clases de la
varianza condicional de un modelo TAR que hacen este tipo de modelo comparable
con un modelo GARCH (Engle, 1982), finalmente Zhang (Zhang, 2014) estructura
un trabajo en donde considera un modelo TAR asumiendo una distribucion t para
el proceso de ruido, posterior a ello aplica un modelo TAR a una serie de tiempo
positiva y finalmente usa la distribucion Gamma Estandar, proponiendo para cada
modelo una metodologa de tres etapas, a saber: en la primera etapa, se estima que
el n
umero de regmenes junto con los umbrales; en la segunda etapa, se estima los
ordenes autorregresivos en los regmenes, y finalmente, en la u
ltima etapa, se estima
los
ordenes autorregresivos , los pesos de varianza y otros parametros del proceso de
ruido . Es as como la identificacion del modelo se lleva a cabo en las dos primeras
etapas y la estimaci
on del modelo en la u
ltima etapa.
De esta manera, este trabajo pretende investigar la eficiencia de los modelos TAR
con ruido t usando el muestreador de Gibbs en concordancia con el trabajo realizado por Zhang (Zhang, 2014) para profundizar sobre dicha metodologa utilizada y
sopesar sus hallazgos.

ii

El trabajo se organiza de la siguiente manera: se realiza una simulacion de Monte

Carlo, se propone un muestreador de Gibbs que permitira realizar varias modelaciones y finalmente se compensaran los resultados obtenidos.

iii

Captulo 1

Prerrequisitos te
oricos
1.1.

Modelo TAR

1.1.1.

Modelo TAR con distribuci

on de ruido t.

Con el fin de introducir el modelo TAR, primero suponga que S

el conjunto de
n
umeros reales est
a dividido en l intervalos disjuntos como R = lj=1 Rj donde
Rj = (rj1 , rj ], donde r1 < < rl1 y r0 = , rl = . Los R1 , , Rl son denominados los regmenes y los valores r1 , , rl1 los umbrales. Sea {Zt } un proceso
estoc
astico con un comportamiento estocastico descrito por una cadena de Markov
de orden p llamada el proceso umbral y sea {Xt } el proceso de interes.
Xt =

(j)
a0

kj
X

(j)

ai Xti + h(j) et

(1.1)

i=1

Los valores k1 , , kl son n

umeros enteros no negativos que representan los ordenes
autorregresivos in los l regmenes, esto es, ordenes autorregresivos diferentes son
permitidos en diferentes regmenes. h(j) > 0 para j = 1, , l, Nieto & Moreno
(2013) encontraron que los parametros (h(j) )2 corresponden a la varianza de {Xt }
condicional en el regimen y los valores pasados de X, llamado varianza condicional
tipo II. Con respecto al proceso de ruido {et }.
Sin embargo, con el fin de mantener la interpretacion de (h(j) )2 mencionado antes, se
usa
on t con grados de libertad n divididos por su desviacion estandar
p uan distribuci
n/(n 2), esto es, et iid tn
con n > 2, el cual es mutuamente indepenn/(n2)

diente del proceso {Zt }. De este modo, V ar(et ) = 1 para todo t.

Por lo tanto, los par
ametros del modelo pueden dividirse en dos grupos:
Par
ametros estructurales: El n
umero de regmenes l, los l 1 umbrales r1 , ,
rl1 y los
ordenes autorregresivos de los l regmenes k1 , , kl .

(j)

Par
ametros no estucturales: Los coeficientes autorregresivos ai con i = 0, ,
kj y j = 1, , l, los pesos de las varianzas h(1) , , h(l) y los grados de libertad
del proceso de ruido, n.
0

(j)

(j)

(j)

En esta investigaci
on, se usa la siguiente notacion: j = (a0 , a1 , , akj ) para
0

j = 1, , l, 0 = (10 , , l0 ) y h = (h(1) , , h(l) ) .

1.1.2.

Funci
on de verosimilitud condicional del modelo

Seg
un Nieto(2005) y condicionado a los valores de los parametros estructura0
les, los valores iniciales xk = (x1 , , xk ) donde k = max{k1 , , kl } y los datos
0
observados del proceso de umbral z = (z1 , , zT ) , la funcion de verosimilitud
condicional esta dada por:
f (x|z, x , z ) = f (xk+1 |(xk , z, x , z ) f (xT |xT 1 , , x1 , z, x , z ),
Donde z denota el vector de parametros del proceso umbral {Zt } y x denota
el vector de todos los par
ametros no estructurales, esto es x0 = (0 , h0 , n). Como
t
n
et
, para t = k + 1, , T , la variable xt |xt1 , , x1 , z es distribuida con/(n2)
(jt )
(j ) Pkjt (jt )
mo una variable tn multiplicada por h
y a
nadiendo a0 t + i=1
ai xti , donn/(n2)

de jt = j si Zt Rj = (rj1 , rj ] para alg

un j = 1, , l. Esto es, la distribucion de
xt condicionada sobre los valores pasados de x y z, es la distribucion t-student no es(j ) Pkjt (jt )
ai xti
tandarizada con n grados de libertad, parametro de localizacion a0 t + i=1
(jt )
h
y par
ametro de escala
. Por tanto,
n/(n2)

f (xt |xt1 , , x1 , z, x , z ),
n+1
2

=p
(n 2) n2 h(jt )

! n+1
Pkjt (jt )
2
(j )
[xt a0 t i=1
ai xti ]2
1+
(h(jt ) )2 (n 2)

En consecuencia, la funci
on de verosimilitud condicional esta dada por,
"

n+1
2

#T k

T
Y

f (x|z, x , z ) = = p
(n 2) n2

(jt ) 1

[h

t=k+1


T
Y
t=k+1

e2t
1+
n2

 n+1
2
(1.2)

Con et =

1.1.3.

1
h(jt )

(xt

(j )
a0 t

Pkjt

(jt )
i=1 ai xti )

y jt = j cuando Zt Rj .

Estimaci
on bayesiana de los par
ametros no estructurales.

En esta parte, se encuentra la distribucion a posteriori de los parametros no

estructurales, y se implementa el muestreador de Gibbs para obtener la estimacion
2

bayesiana de estos par

ametros.
Distribuci
on a posteriori de los par
ametros no estructurales.
Para encontrar la distribucion a posteriori de los parametros no estructurales,
se necesita la funci
on de verosimilitud del modelo encontrada anteriormente y la
distribuci
on a priori de los parametros.
(j)

(j)

(j)

Sea j = (a0 , a1 , , akj )0 , para j = 1, , l, y = (10 , , l0 )0 , la distribuci

on a priori para j es una distribucion normal multivariante, esto es, j
1 ). En la mayor
N (0,j , V0,j
a de los casos se toma 0,j = 0,V0,j diagonal con valores
peque
nos en la diagonal, representando la falta de certeza en la informacion a priori.
Usando la anterior distribucion a priori y la funcion de verosimilitud en (2).
Resultado 2.1.3.1 Para cada j = 1, , l, la distribucion condicional de j
dados los dem
as par
ametros no estructurales i , i 6= j, h, z , y n esta dada por

Y
{t:jt =j}

p(j |i , i 6= j, h, x, z, n)
! n+1
Pkj (j)


(j)
2
[xt a0 i=1
ai xti ]2
1
0
1+
exp (j 0,j ) V0,j (j 0,j )
2
(h(j) )2 n

Demostraci
on 2.1.3.1 Es claro que
p(j |i , i 6= j, h, x, z, n) p(x|, z, h, n)p(j )
Donde
"

( n+1 )
p(x|, z, h, n) = 2 n
n( 2 )

T
Y
t=k+1

Y
{t:jt =j}

#T k

T
h
Y
t=k+1

(jt )


T
i1 Y
t=k+1

e2
1+ t
n

 n+1
2

! n+1
Pkj (jt )
(j )
2
[xt a0 t i=1
ai xti ]2
1+
(h(jt ) )2 n
! n+1
Pkj (j)
(j)
2
[xt a0 i=1
ai xti ]2
1+
(h(j) )2 n

Donde la u
ltima ecuaci
on se tiene despues de eliminar los terminos que depende
de i con i 6= j, puesto que la densidad de interes p(j |i , i 6= j, h, x, z, n), las cantidades i con i 6= j se consideran constantes.

De esta forma

{t:jt =j}

p(j |i , i 6= j, h, x, z)
! n+1
Pkj (j)


(j)
2
[xt a0 i=1
ai xti ]2
1
0
1+
exp (j 0,j ) V0,j (j 0,j )
2
(h(j) )2 n

N
otese que (1) en el anterior resultado, el u
nico componente de h que afecta
la distribuci
on a posteriori condicional de j es el componente h(j) ; (2) la anterior
densidad condicional no corresponde a una densidad conocida, y por consiguiente,
se deben utilizar metodos de simulacion como el metodo de grilla por su simplicidad.
Ahora, con respecto a los parametros h(1) , , h(l) , la distribucion a priori para
es una distribuci
on inversa Gamma con parametro de forma y parametro
de escala , (Inverse
aGamma(, )), es decir,
(h(j) )2

p((h(j) )2 ) (h(j) )22 exp{/(hj )2 }I(0,) ((hj )2 )

Usando esta distribuci
on a priori de (h(j) )2 , tenemos el siguiente resultado para
la distribuci
on a posteriori condicional de (h(j) )2 .
Resultado 2.1.3.2 Para cada j = 1, , l, la distribucion condicional de (h(j) )2
dados los par
ametros no estructurales, j , j = 1, , l, h y z esta dada por

Y
{t:jt =j}

p((h(j) )2 |1 , , l , x, z, n)
! n+1
Pkj (j)
(j)
2
[xt a0 i=1
ai xti ]2
1+
(h(j) )22nj exp{/(h(j) )2 }
(h(j) )2 n

Donde nj = #{t : jt = j}.

Demostraci
on 2.1.3.2
p((h(j) )2 |1 , , l , x, z, n)

T
Y

(h(jt ) )1

t=k+1

Y
{t:jt =j}

p(x|, z, h, n)p((h(j) )2 )
! n+1
Pkjt (jt )
2
(j )
[xt a0 t i=1
ai xti ]2
1+
x(h(j) )22 exp{/(h(j) )2 }
(h(jt ) )2 n

! n+1
Pkj (j)
(j)
2
[xt a0 i=1
ai xti ]2
(h(j) )22nj exp{/(h(j) )2 }
1+
(h(j) )2 n

N
otese que el anterior resultado, el u
nico componente de 1 , , l que afecta la
distribuci
on condicional a posteriori de (h(j) )2 es el componente j . Adicionalmente,
la anterior densidad tampoco tiene una forma cerrada y se puede muestrear con el
4

metodo de la grilla.
Estimaci
on de los modelos TAR con procesos de ruido t.
Finalmente, para implementar el muestreador de Gibbs, resta encontrar la distribuci
on condicional a posteriori del grado de libertad del proceso de ruido n. Para
la distribuci
on a priori de n, inicialmente se penso en una distribucion uniforme
discreta sobre el conjunto {2, , nmax }; sin embargo, se vio que el muestreador de
Gibbs resultante de esta distribucion a priori arroja una estimacion de n muy por
debajo del valor real.
Por esta raz
on, la distribucion a priori que se asigna a n es una distribucion
Gamma, siguiendo a la sugerencia de Watanabe (2001), puesto que en la distribucion
Gamma(0 , 0 ), la media esta dada por 0 0 y la varianza 0 02 , y en la practica se
puede escoger los par
ametros a priori de n de tal forma que la media y la varianza a
priori coincidan con el conocimiento previo del investigador, o escoger los parametros
a priori para obtener una varianza a priori grande representando la incertidumbre o
la falta de informaci
on a priori acerca de n. De esta forma la a priori de n esta dada
por
0

p(n) n 1 (exp n/ 0 )
Con la anterior funci
on de densidad a priori de n, se encuentra la siguiente distribuci
on condicional a posteriori de n.
Resultado 2.1.4.1 La distribucion a posteriori del grado de libertad del proceso
del ruido n condicionando en los demas parametros no estructurales esta dada por
p(n|1 , , l , h, x, z)
"

( n+1
2 )

n
( 2 )

#T k

T
Y
t=k+1

! n+1
Pkjt (jt )
2
(j )
1
ai xti ]2
[xt a0 t i=1
0
xn 2 (T k)+ 1 exp{n/ 0 }
1+
(j
)
2
t
(h ) n

Demostraci
on 2.1.4.1
p(n|1 , , l , h, x, z)
p(x|, z, h, n)(n)
"

( n+1 )
2n
n( 2 )
"

( n+1
2 )

n
( 2 )

#T k

#T k

T
Y
t=k+1

T
Y
t=k+1

! n+1
Pkjt (jt )
2
(j )
[xt a0 t i=1
ai xti ]2
1+
nk1 exp{n/}
(h(jt ) )2 n
! n+1
Pkjt (jt )
2
(j )
[xt a0 t i=1
ai xti ]2
12 (T k)+0 1
xn
1+
exp{n/ 0 }
(h(jt ) )2 n

Utilizando las tres anteriores densidades condicionales a posteriori, se puede implementar un muestreador de Gibbs que se describe en la siguiente seccion.

1.1.4.

Muestreador de Gibbs para estimar par

ametros

Los pasos del muestreador de Gibbs para estimar los parametros no estructurales
del regimen j : j , h(j) para j = 1, , l y n son como siguen:
1. Fijar valores iniciales para j , se denotan por j,0 ,
(j)

2. Fijar un valor inicial para h(j) y se denota por h0 ,

3. Fijar un valor inicial para n denotada por n0 ,
4. Para la iteraci
on g, con g = 1, , G, donde G es la longitud de la cadena, se simula un valor para el vector j a partir de la densidad condicional
p(j |i,g1 , i 6= j, hjg1 , , x, z, ng1 ), el valor obtenido se denota por j,g ,
5. Se simula un valor para h(j) a partir de la densidad condicional p((h(j) )2 |j,g , x, z, ng1 ),
(j)
el valor obtenido se denota por hg ,
6. Se simula un valor para n de la densidad condicional p(n|1,g , , l,g , hg , x, z).

1.1.5.

M
etodo de la grilla

Existen distribuciones de probabilidad cuya forma estructural es muy compleja.

M
as aun, existen distribuciones de probabilidad conocidas para las cuales la inversa
de la funci
on de densidad acumulativa es difcil de solucionar analticamente. En
los anteriores casos, el metodo analtico dado por el teorema de la transformacion
integral de probabilidad no siempre resulta efectivo. Sin embargo, es posible realizar
una variante, manteniendo el espritu de la anterior tecnica.
El presente metodo utiliza una distribucion discreta para aproximar cualquier tipo de
distribuci
on (discreta o continua) sin importar su nivel de complejidad. El algoritmo
que enmarca este metodo se da a continuacion:
1. Escribir la densidad de interes como f (.) y establecer el rango de la variable
aleatoria de interes.
2. Fijar un conjunto de n valores x1 < < xn equiespaciados que cubran una
gran parte del rango de la variable aleatoria.
3. Para xk (k = 1, , n) calcular f (xk ) que equivale al valor de la densidad en
el punto xk . Notese que si f (.) es una funcion de densidad continua, entonces
f (xk ) no corresponde a una probabilidad.
6

4. Calcular la probabilidad asociada al punto xk definida por la aproximacion

discreta a f (.) y dada por
f (xk )
p(xk ) = Pn
k=1 f (xk )
5. Calcular la funci
on de densidad acumulativa aproximada como

si x < x1
0,
Pk
F (x) =
l=1 p(xl ), si xk x < xk+1

1,
si x > xn
6. Simular una observacion u proveniente de una distribucion uniforme continua
en el intervalo (0, 1).
7. Si F (xk ) < u F (xk+1 ), entonces F 1 (u) = xk+1 y por consiguiente el valor
xk+1 es una pseudo - observacion proveniente de la densidad de interes.
N
otese que en el anterior proceso, la unidad xk+1 es seleccionada con probabilidad
pk+1 ; puesto que

P (F (xk ) < U F (xk+1 )) = F (xk+1 )

aF (xk ) =

k+1
X
l=1

p(xl )

k
X

p(xl ) = pk+1

l=1

Si se quiere extraer una muestra aleatoria de N observaciones provenientes de

la distribuci
on de interes, entonces basta con repetir el anterior proceso N veces.
Por supuesto, como se trata de una muestra aleatoria cada seleccion se debe realizar
con repetici
on; de esta manera no importa si N > n. Suponiendo que el conjunto
x1 , , xn conforma una grilla de puntos lo suficientemente cercanos y que no sucede
nada importante entre cada uno de ellos, entonces esta tecnica debe tener buen
funcionamiento.

1.1.6.

Escenarios simulados

Se simulan 32 series de tiempo {xt } de longitud 100 con {et } iddt5 o t1 0,

Zt = 0,5Zt1 + et y et RB(0, 1), las distribuciones a priori para los parAmetros no estructurales son: N (0, 10) o N (0, 5) dependiendo el caso para los coefi 3 nInversa Gamma
cientes autorregresivos aji con i = 0, 1, 2, 3 y j = 1, 2 distribuciA
(1)
(2)
(a,b)paralasponderacionesdelavarianzah y h .

MODELO UNO:
(
1 + 0,5Xt1 + et ,
Xt =
0,5 + 1,5et ,

Zt 0
Zt 0

Con aji con i = 0, 1, 2, 3 y j = 1, 2 y {et } iid{t10 }

MODELO DOS:

(
et ,
Xt =
1,5et ,

Zt 0
Zt 0

Con aji con i = 0, 1, 2, 3 y j = 1, 2 y {et } iid{t10 }

MODELO TRES:
(
1 + 0,5Zt1 + et ,
Xt =
0,5 + 1,5et ,

Zt 0
Zt 0

Con aji con i = 0, 1, 2, 3 y j = 1, 2 y {et } iid{t5 }

MODELO CUATRO:
(
1 + 0,5Zt1 + et ,
Xt =
0,5 + 1,5et ,

Zt 0
Zt 0

Con aji con i = 0, 1, 2, 3 y j = 1, 2 y {et } iid{t10 }

MODELO CINCO:
(
1 + et ,
Xt =
0,5 + 0,7Zt1 + 1,5et ,

Zt 0
Zt 0

Con aji con i = 0, 1, 2, 3 y j = 1, 2 y {et } iid{t5 }

MODELO SEIS:
(
1 + et ,
Xt =
0,5 + 0,7Zt1 + 1,5et ,
Con aji con i = 0, 1, 2, 3 y j = 1, 2 y {et } iid{t10 }

Zt 0
Zt 0

MODELO SIETE:
(
1 + 0,5Zt1 + et ,
Xt =
0,5 + 0,7Zt1 + 1,5et ,

Zt 0
Zt 0

Con aji con i = 0, 1, 2, 3 y j = 1, 2 y {et } iid{t5 }

MODELO OCHO:
(
1 + 0,5Zt1 + et ,
Xt =
0,5 + 0,7Zt1 + 1,5et ,

Zt 0
Zt 0

Con aji con i = 0, 1, 2, 3 y j = 1, 2 y {et } iid{t10 }

MODELO NUEVE:
(
1 + 0,5Zt1 0,3Zt2 + et ,
Xt =
0,5 + 1,5et ,

Zt 0
Zt 0

Con aji con i = 0, 1, 2, 3 y j = 1, 2 y {et } iid{t5 }

MODELO DIEZ:
(
1 + 0,5Zt1 0,3Zt2 + et ,
Xt =
0,5 + 1,5et ,

Zt 0
Zt 0

Con aji con i = 0, 1, 2, 3 y j = 1, 2 y {et } iid{t10 }

MODELO ONCE:
(
1 + et ,
Xt =
0,5
a0,6Zt1 + 0,3Zt2 + 1,5et ,

Zt 0
Zt 0

Con aji con i = 0, 1, 2, 3 y j = 1, 2 y {et } iid{t5 }

MODELO DOCE:
(
1 + et ,
Xt =
0,5
a0,6Zt1 + 0,3Zt2 + 1,5et ,
Con aji con i = 0, 1, 2, 3 y j = 1, 2 y {et } iid{t10 }

Zt 0
Zt 0

MODELO TRECE:
(
1 + et ,
Xt =
0,5 + 0,5Zt1 0,3Zt2 + 0,7Zt3 + 1,5et ,

Zt 0
Zt 0

Con aji con i = 0, 1, 2, 3 y j = 1, 2 y {et } iid{t5 }

MODELO CATORCE:
(
1 + et ,
Xt =
0,5 + 0,5Zt1 0,3Zt2 + 0,7Zt3 + 1,5et ,

Zt 0
Zt 0

Con aji con i = 0, 1, 2, 3 y j = 1, 2 y {et } iid{t10 }

MODELO QUINCE:
(
1 0,4Zt1 + et ,
Xt =
0,5 0,6Zt1 + 0,3Zt2 + 1,5et ,

Zt 0
Zt 0

Con aji con i = 0, 1, 2, 3 y j = 1, 2 y {et } iid{t5 }

MODELO DIECISEIS:
(
1 0,4Zt1 + et ,
Xt =
0,5 0,6Zt1 + 0,3Zt2 + 1,5et ,

Zt 0
Zt 0

Con aji con i = 0, 1, 2, 3 y j = 1, 2 y {et } iid{t10 }

MODELO DIECISIETE:
(
1 + 0,5Zt1 + et ,
Xt =
0,5 + 0,5Zt1 0,3Zt2 + 0,7Zt3 + 1,5et ,

Zt 0
Zt 0

Con aji con i = 0, 1, 2, 3 y j = 1, 2 y {et } iid{t5 }

MODELO DIECIOCHO:
(
1 + 0,5Zt1 + et ,
Xt =
0,5 + 0,5Zt1 0,3Zt2 + 0,7Zt3 + 1,5et ,
Con aji con i = 0, 1, 2, 3 y j = 1, 2 y {et } iid{t10 }

10

Zt 0
Zt 0

MODELO DIECINUEVE:
(
1 + 0,5Zt1 a
0,3Zt1 + et ,
Xt =
0,5 + 0,7Zt1 + 1,5et ,

Zt 0
Zt 0

Con aji con i = 0, 1, 2, 3 y j = 1, 2 y {et } iid{t5 }

MODELO VEINTE:
(
1 + 0,5Zt1 a
0,3Zt1 + et ,
Xt =
0,5 + 0,7Zt1 + 1,5et ,

Zt 0
Zt 0

Con aji con i = 0, 1, 2, 3 y j = 1, 2 y {et } iid{t10 }

MODELO VEINTIUNO:
(
1 + 0,5Zt1 a
0,3Zt1 + et ,
Xt =
0,5
a0,6Zt1 + 0,3Zt2 + 1,5et ,

Zt 0
Zt 0

Con aji con i = 0, 1, 2, 3 y j = 1, 2 y {et } iid{t5}

MODELO VEINTIDOS:
(
1 + 0,5Zt1 a
0,3Zt1 + et ,
Xt =
0,5
a0,6Zt1 + 0,3Zt2 + 1,5et ,

Zt 0
Zt 0

Con aji con i = 0, 1, 2, 3 y j = 1, 2 y {et } iid{t10 }

MODELO VEINTITRES:
(
1 + 0,5Zt1 a
0,3Zt1 + et ,
Xt =
0,5
a0,6Zt1 + 0,3Zt2 + 0,4Zt3 + 1,5et ,

Zt 0
Zt 0

Con aji con i = 0, 1, 2, 3 y j = 1, 2 y {et } iid{t5 }

MODELO VEINTICUATRO:
(
1 + 0,5Zt1 a
0,3Zt1 + et ,
Xt =
0,5
a0,6Zt1 + 0,3Zt2 + 0,4Zt3 + 1,5et ,
Con aji con i = 0, 1, 2, 3 y j = 1, 2 y {et } iid{t10 }

11

Zt 0
Zt 0

MODELO VEINTICINCO:
(
0,5 + 0,5Zt1 a
0,3Zt1 + 0,7Zt2 + et ,
Xt =
0,5 + 1,5et ,

Zt 0
Zt 0

Con aji con i = 0, 1, 2, 3 y j = 1, 2 y {et } iid{t5 }

MODELO VEINTISEIS:
(
0,5 + 0,5Zt1 a
0,3Zt1 + 0,7Zt2 + et ,
Xt =
0,5 + 1,5et ,

Zt 0
Zt 0

Con aji con i = 0, 1, 2, 3 y j = 1, 2 y {et } iid{t10}

MODELO VEINTISIETE:
(
0,5 + 0,5Zt1 a
0,3Zt1 + 0,7Zt2 + et ,
Xt =
0,5 + 0,8Zt1 + 1,5et ,

Zt 0
Zt 0

Con aji con i = 0, 1, 2, 3 y j = 1, 2 y {et } iid{t5 }

MODELO VEINTIOCHO:
(
0,5 + 0,5Zt1 a
0,3Zt1 + 0,7Zt2 + et ,
Xt =
0,5 + 0,8Zt1 + 1,5et ,

Zt 0
Zt 0

Con aji con i = 0, 1, 2, 3 y j = 1, 2 y {et } iid{t10 }

MODELO VEINTINUEVE:
(
1 0,6 + 0,3Zt1 + 0,4Zt2 + et ,
Xt =
0,5 0,6Zt1 + 0,3Zt2 + 1,5et ,

Zt 0
Zt 0

Con aji con i = 0, 1, 2, 3 y j = 1, 2 y {et } iid{t5 }

MODELO TREINTA:
(
1 0,6 + 0,3Zt1 + 0,4Zt2 + et ,
Xt =
0,5 0,6Zt1 + 0,3Zt2 + 1,5et ,
Con aji con i = 0, 1, 2, 3 y j = 1, 2 y {et } iid{t10 }

12

Zt 0
Zt 0

MODELO TREINTA Y UNO:

(
1 0,6 + 0,3Zt1 + 0,4Zt2 + et ,
Xt =
0,5 0,5Zt1 0,3Zt2 + 0,7Zt3 + 1,5et ,

Zt 0
Zt 0

Con aji con i = 0, 1, 2, 3 y j = 1, 2 y {et } iid{t5 }

MODELO TREINTA Y DOS:
(
1 0,6 + 0,3Zt1 + 0,4Zt2 + et ,
Xt =
0,5 0,5Zt1 0,3Zt2 + 0,7Zt3 + 1,5et ,

Zt 0
Zt 0

Con aji con i = 0, 1, 2, 3 y j = 1, 2 y {et } iid{t10 }

1.1.7.

Ejemplo simulado

Se simul
o una serie de tiempo {xt } de longitud 300 siguiendo el modelo
(
1 + 0,5Xt1 0,3Xt2 + et , si Zt 0
Xt =
0,5 0,7Xt1 + 1,5et , si Zt > 0
Con {et } iidt5 , Zt = 0,5Zt1 + t y t RB(0, 1). Las series simuladas {xt } y
{zt } se pueden ver en la figura 1.1.
Las distribuciones a priori para los parametros no estructurales son: distribuci
on N (0, 10) para los coeficientes autorregresivos aji con i = 1, , kj y j = 1, 2;
distribuci
on Inverse Gamma(2, 3) para las ponderaciones de varianza h(1) y h(2) ;
distribuci
on Gamma(2, 5) para el grado de libertad n. En este caso, la media a priori
para n es de 10 y la varianza a priori es de 50, lo cual se puede considerar como una
distribuci
on a priori poco informativa1 .
Los par
ametros estructurales se asumen conocidos, despues de 500 iteraciones
del muestreador de Gibbs, se toma la segunda mitad de la cadena para calcular las
estimaciones que bajo la funcion de perdida cuadratica, corresponden a la esperanza
de las distribuciones a posteriori. Las estimaciones de los parametros no estructurales se muestran en la tabla 1.1, donde se puede ver que las estimaciones puntuales
son buenas, y todos los intervalos de credibilidad del 95 % contienen a los parametros
verdaderos.
1

Se vio en simulaciones adicionales, que no hay diferencia significativa entre las estimaciones de
n al poner una varianza a priori m
as grande que 50; pero al poner la varianza a priori m
as peque
na,
como 10, la estimaci
on obtenida de n se acercara m
as a la media a priori 10. Por esta raz
on, se
escogi
o el valor de 50 para la varianza a priori.

13

Figura 1.1: Serie {xt } y {zt } simulados seg

un el modelo.
Regimen
1
2

(j)

0.88
(0.66; 1.11)
-0.53
(-0.78; -0.33)

ai
0.52
(0.42; 0.62)
-0.62
(-0.72; -0.51)

-0.33
(-0.42; -0.23)

h(j)
1.13
(0.95; 1.32)
1.38
(1.16; 1.62)

Cuadro 1.1: Estimaci

on e intervalos de credibilidad del 95 % para los parametros no
estructurales estimados del ejemplo simulado 1.
Con respecto al grado de libertad n, la estimacion esta dada por 4.9988, con
un intervalo de credibilidad del 95 % de (3.12, 9.14). Es importante resaltar que las
anteriores estimaciones de los parametros se mantienen si se vara el valor de la media a priori de n manteniendo una varianza a priori grande. Finalmente las graficas
CUSUM y CUSUMSQ en la figura 1.2 muestran que ajuste del modelo estimado, en
general, es bueno.

14

Figura 1.2: Gr
aficas CUSUM y CUSUMQ para los residuos del modelo estimado.

15

Captulo 2

Metodologa
Bajo los hallazgos de Zhang (2014) se propone trabajar 2 regmenes donde el
orden autoregresivo en cada uno de ellos vara de 0 a 3, dando un total de 16 modelos. Adicionalmente, se escoge los valores de 5 y 10 para el grado de libertad
para cada modelo, lo que dara como resultado un panorama de 32 escenarios. Para
cada uno de estos modelos, se trabaja 100 series simuladas de longitud 100, para
cada serie se implementa un muestreador de Gibbs, obteniendo las estimaciones de
los par
ametros no estructurales. Al terminar las 100 series simuladas, para cada
par
ametro, se calcula la estimacion como el promedio de las 100 estimaciones y se
calcula un intervalo de confianza de 95 % usando los percentiles 2.5 % y 97.5 % de
las 100 estimaciones.
Se propone una tabla de doble entrada donde se muestra como primer n
umero los
par
ametros fijados tanto para los ordenes autorregresivos como para los coeficientes del error y los grados de libertad en cada regimen y su intervalo de confianza
respectivo.

16

Captulo 3

Resultados
Se presentan a continuacion unos cuadros que resumen los resultados de cada
modelo.
Ordenes
Autorregresivos
0
0

(j)

h(j)

(1)
(1.38)
(0.973 ; 1.808)
(1.5)
-193.352
(1.094 ; 2.688)

(5)
4,828
(2.210;11.539)

ai

Na
Na

Cuadro 3.1: Resultados Modelo uno.

Ordenes
Autorregresivos
0
0

(j)

h(j)

(1)
(1.07)
(0.679; 1.781)
(1.5)
(1.54)
(1.446 ; 3.125)

(10)
9.877
(7,985 ; 16,877)

ai

Na
Na

Cuadro 3.2: Resultados Modelo dos.

Ordenes
Autorregresivos
1
0

(j)

ai
(1)
0.999
(0.755;1.327)
(-0.5)
-0.510
(-0.822;-0.052)

(0.5)
0.502
(0.352;0.657)
Na

h(j)

(1)
0.949
(0.716;1.167)
(1.5)
1.396
(1.072;1.823)

(5)
14.123
(6.855 ; 19.674)

Cuadro 3.3: Resultados Modelo tres.

17

(j)

Ordenes
Autorregresivos
1

ai

h(j)

n
(10)
15.679

(1)
0.997
(0.683;1.297)

(0.5)
0.479
(0.319;0.641)

(1)
0.976
(0.741;1.197)

(-0.5)
-0.481
(-0.925;-0.058)

Na

(1.5)
1.429
(1.125;1.730)

(7.04335 ; 20.44588)

Cuadro 3.4: Resultados Modelo cuatro.

Ordenes
Autorregresivos
0
1

(j)

ai
(1)
0.946
(0.544;1.003)
(-0.5)
-0.544
(-0.917;-0.188)

Na
(0.7)
0.744
(0.676;1.200)

h(j)

(1)
1,233
(0.656;1.377)
(1.5)
1,644
(0.954;1.955)

(5)
5,122
(0.122 ; 10.332)

Cuadro 3.5: Resultados Modelo cinco.

Ordenes
Autorregresivos
0
1

(j)

ai
(1)
1,008
(0.674;1.322)
(-0.5)
-0.477
(-0.854;-0.043)

Na
(0.7)
-0.681
(-0.912;-0.458)

h(j)

(1)
0.982
(0.737;1.192)
(1.5)
1,416
(1.120;1.812)

(10)
12,366
(6.582 ; 16.620)

Cuadro 3.6: Resultados Modelo seis.

Ordenes
Autorregresivos
1
1

(j)

ai
(1)
0.855
(0.655;1.345)
(-0.5)
-0.553
(-0.789;-0.188)

0.5)
0.456
(0.211;0.847)
(0.7)
0.675
(0.231;1.244)

h(j)

(1)
0.765
(0.549;1.912)
(1.5)
1,675
(9.543;1.932)

(5)
4,444
(0.655 ; 7.433)

Cuadro 3.7: Resultados Modelo siete.

18

Ordenes
Autorregresivos
1
1

(j)

ai
(1)
0.992
(0.731;1.293)
(-0.5)
-0.521
(-0.780;-0.192)

(0.5)
0.503
(0.388;0.623)
(0.7)
-0.705
(-0.879;-0.533)

h(j)

(1)
0.956
(0.775;1.179)
(1.5)
1,403
(1.103;1.802)

(10)
9,444
(4.353975 ; 15.820575)

Cuadro 3.8: Resultados Modelo ocho.

Ordenes
Autorregresivos
2
0

(j)

h(j)

(1)
0.969
(0.738;1.251)
(1.5)
1,397
(1.129;1.746)

(5)
6,127
(3.937025 ; 15.513075)

ai
(1)
0.999
(0.739;1.259)
(-0.5)
-0.499
(-0.537;-0.895)

(0.5)
0.491
(0.327;0.620)
Na

(-0.3)
-0.301
(-0.449;-0.130)
Na

Cuadro 3.9: Resultados Modelo nueve.

Ordenes
Autorregresivos
2
0

(j)

h(j)

(1)
1,110
(0.774;2.986)
(1.5)
1,422
(1.116;1.813)

(10)
15,913
(9.234; 20.408)

ai
(1)
0.915
(0.033;1.289)
(-0.5)
-0.501
(-1.050;-0.039)

(0.5)
0.492
(0.308;0.682)
Na

(-0.3)
-0.291
(-0.476;0.090)
Na

Cuadro 3.10: Resultados Modelo diez.

Ordenes
Autorregresivos
0
2

(j)

ai
(1)
(-0.5)

Na
(-0.6)

Na
(0.3)

h(j)

(1)
(1.5)

(5)

Cuadro 3.11: Resultados Modelo once.

19

Ordenes
Autorregresivos
0
2

(j)

h(j)

(1)
0.966
(0.765;1.179)
(1.5)
1,443
(1.132;1.867)

(10)
12,398
(6.60760; 17.15675)

ai
(1)
0.971
(0.697;1.231)
(-0.5)
-0.490
(-1.014;-0.071)

Na

Na

(-0.6)
-0.605
(-0.870;-0.312)

(0.3)
0.272
(0.0259;0.540

Cuadro 3.12: Resultados Modelo doce.

Ordenes
Autorregresivos
0
3

(j)

h(j)

(1)
1,462
(1.029;1.988)
(1.5)
2,266
(1.078;2.978)

(5)
6,972
(2.745;
16.529)

ai
(1)
0.842
(0.595;1.095)
(-0.5)
-0.408
(-1.516;0.029)

Na

Na

(0.5)
0.750
(0.003;1.312)

(-0.3)
-0.120
(-0.421;0.318)

Na
(0.7)
-0.094
(-0.987;0.175)

Cuadro 3.13: Resultados Modelo trece.

Ordenes
Autorregresivos
0
3

(j)

h(j)

(1)
1,477
(1.083;2.057)
(1.5)
2,215
(1.196;2.979)

(10)
8,232
(2.806;
16.862)

ai
(1)
0.815
(0.575;1.064)
(-0.5)
-0.375
(-1.097;0.220)

Na

Na

(0.5)
0.839
(-0.016;1.325)

(-0.3)
-0.159
(-0.484;0.353)

Na
(0.7)
-0.509
(-0.612;0.216)

Cuadro 3.14: Resultados Modelo catorce.

Ordenes
Autorregresivos
1
2

(j)

ai
(1)
0,851
(0.015;1.314)
(-0.5)
-0.540
(-1.044;-0.111)

(-0.4)
0.462
(0.186;0.690)
(-0.6)
0.678
(0.448;0.863)

Na
(0.3)
0.244
(0.125;0.488)

Na
Na

Cuadro 3.15: Resultados Modelo quince.

20

h(j)

(1)
1,366
(0.826;2.978)
(1.5)
1,386
(1.063;1.737)

(5)
9,488
(3.628 ;
16.100)

Ordenes
Autorregresivos
1
2

(j)

h(j)

(1)
0.981
(0.760;1.232)
(1.5)
1,435
(1.146;1.792)

(10)
12,410
(6.607;
16.789)

ai
(1)
0.999
(0.735;1.304)
(-0.5)
-0.464
(-0.868;0.117)

(-0.4)
-0.392
(-0.535;-0.232)
(-0.6)
-0.598
(-0.831;-0.327)

Na
(0.3)
0.264
(-0.011;0.539)

Na
Na

Cuadro 3.16: Resultados Modelo dieciseis.

Ordenes
Autorregresivos
1
3

(j)

h(j)

(1)
0.986
(0.720;1.272)
(1.5)
1,924
(1.157;2.977)

(5)
7,743
(3.15495;
13.957)

ai
(1)
1,021
(0.764;1.282)
(-0.5)
-0.402
(-0.847;0.089)

(0.5)
0.492
(0.360;0.610)
(0.5)
0.339
(-0.067;0.670

Na
(-0.3)
-0.205
(-0.569;0.103)

Na
(0.7)
0.421
(0.278;0.970)

Cuadro 3.17: Resultados Modelo diecisiete.

Ordenes
Autorregresivos
1
3

(j)

h(j)

(1)
1,020
(0.780;1.309)
(1.5)
1,920
(1.153;2.973)

(10)
10,493
(3.201;17.087)

ai
(1)
1,016
(0.676;1.296)
(-0.5)
-0.437
(-0.886;0.037)

(0.5)
0.499
(0.323;0.653)
(0.5)
0.407
(-0.052;0.739)

Na
(-0.3)
-0.255
(-0.543;0.010)

Na
(0.7)
-0.028
(-0.379;0.247)

Cuadro 3.18: Resultados Modelo dieciocho.

Ordenes
Autorregresivos
2
1

(j)

h(j)

(1)
1,366
(0.826;2.978)
(1.5)
1,386
(1.063;1.737)

(5)
9,488
(3.628; 16.100)

ai
(1)
0.851
(0.015;1.314)
(-0.5)
-0.540
(-1.044;-0.111)

(0.5)
0.462
(0.186;0.690)
(0.7)
0.678
(0.448;0.863)

(-0.3)
-0.244
(-0.488;0.125)
Na

Na
Na

Cuadro 3.19: Resultados Modelo diecinueve.

21

Ordenes
Autorregresivos
2
1

(j)

h(j)

(1)
1,597
(0.775;2.980)
(1.5)
1,456
(1.174;1.816)

(10)
10,620
(3.514; 17.149)

ai
(1)
0.734
(0.009;1.212)
(-0.5)
-0.460
(-0.875;0.084)

(0.5)
0.447
(0.109;0.770)
(0.7)
0.677
(0.452;0.894)

(-0.3)
-0.204
(-0.493;0.158)
Na

Na
Na

Cuadro 3.20: Resultados Modelo veinte.

Ordenes
Autorregresivos
2
2

(j)

ai
(1)
(-0.5)

(0.5)
(-0.6)

(-0.3)
(0.3)

Na
Na

h(j)

(1)
(1.5)

Cuadro 3.21: Resultados Modelo veintiuno.

Ordenes
Autorregresivos
2
2

(j)

ai
(1)
1.016
(0.693;1.314)
(-0.5)
-0.487
(-0.880;0.065)

(0.5)
0.503
(0.379;0.661)
(-0.6)
-0.587
(-0.742;-0.398)

(-0.3)
-0.307
(-0.450;-0.175
(0.3)
0.285
(0.058;0.523)

h(j)

(1)
0.995
(0.793;1.213)
(1.5)
1.436
(1.092;1.774)

(10)
12.760
(6.570 ; 17.292)

Cuadro 3.22: Resultados Modelo veintidos.

Ordenes
Autorregresivos
2
3

(j)

ai
(1)
1.008
(0.605;1.352)
(-0.5)
-0.499
(-0.985;-0.010)

(0.5)
0.473
(0.321;0.652)
(-0.6)
-0.606
(-0.819;-0.406)

(-0.3)
-0.298
(-0.459;-0.110)
(0.3)
0.283
(0.019;0.457)

Na
(0.4)
0.380
(0.104;0.549)

h(j)

(1)
1.016
(0.718;2.207)
(1.5)
1.446
(1.090;2.081)

(5)
10.032
(3.764;
15.923)

Cuadro 3.23: Resultados Modelo veintitres.

Ordenes
Autorregresivos
2
3

(j)

ai
(1)
(-0.5)

(0.5)
(-0.6)

(-0.3)
(0.3)

Na
(0.4)

h(j)

(1)
(1.5)

10

Cuadro 3.24: Resultados Modelo veinticuatro.

Ordenes
Autorregresivos
3
0

(j)

ai
(-0.5)
(-0.5)

(0.5)
Na

(-0.3)
Na

(0.7)
Na

h(j)

(1)
(1.5)

Cuadro 3.25: Resultados Modelo veinticinco.

Ordenes
Autorregresivos
3
0

(j)

ai
(-0.5)
-0.186
(-0.691;0.014)
(-0.5)
-0.666
(-1.153;-0.010)

(0.5)
0.403
(0.017;0.668)
Na

(-0.3)
-0.166
(-0.404;0.034)
Na

(0.7)
0.509
(0.026;0.837)
Na

Cuadro 3.26: Resultados Modelo veintiseis.

22

h(j)

(1)
2.243
(0.878;2.990)
(1.5)
2.153
(1.539;2.766)

(10)
13.796
(5.499;
18.672)

Ordenes
Autorregresivos
3
1

(j)

ai
(-0.5)
(-0.5)

(0.5)
(0.8)

(-0.3)
Na

(0.7)
Na

h(j)

(1)
(1.5)

Cuadro 3.27: Resultados Modelo veintisiete.

Ordenes
Autorregresivos
3
1

(j)

ai
(-0.5)
0.720
(-0.602;1.892)
(-0.5)
-0.500
(-0.787;-0.200)

(0.5)
-0.305
(-0.757;0.004)
(0.8)
0.610
(0.403;0.825)

(-0.3)
0.188
(-0.051;0.604)
Na

(0.7)
0.186
(-0.069;0.592)
Na

h(j)

(1)
2.494
(0.817;2.978)
(1.5)
1.042
(0.772;1.367)

(10)
5.716
(3.100;
14.934)

Cuadro 3.28: Resultados Modelo veintiocho.

Ordenes
Autorregresivos
3
2

(j)

ai
(1)
0.720
(-0.602;1.892)
(-0.5)
-0.500
(-0.787;-0.200)

(-0.6)
-0.305
(-0.757;0.004)
(-0.6)
-0.610
(-0.825;-0.403)

(0.3)
0.188
(-0.051;0.604)
(0.3)
0.286
(0.115;0.452)

(0.4)
0.186
(-0.069;0.592)
Na

h(j)

(1)
2.494
(0.817;2.978)
(1.5)
1.042
(0.772;1.367)

(5)
5.716
(3.100 ;
14.934)

Cuadro 3.29: Resultados Modelo veintinueve.

Ordenes
Autorregresivos
3
2

(j)

ai
(1)
(-0.5)

(-0.6)
(-0.6)

(0.3)
(0.3)

(0.4)
Na

h(j)

(1)
(1.5)

10

Cuadro 3.30: Resultados Modelo treinta.

Ordenes
Autorregresivos
3
3

(j)

ai
(1)
(-0.5)

(-0.6)
(-0.5)

(0.3)
(-0.3)

(0.4)
(0.7)

h(j)

(1)
(1.5)

Cuadro 3.31: Resultados Modelo treinta y uno.

Ordenes
Autorregresivos
3
3

(j)

ai
(1)
0.957
(0.006;1.287)
(-0.5)
-0.444
(-0.743;-0.002)

(-0.6)
-0.561
(-0.752;-0.003)
(-0.5)
0.457
(0.128 ;0.623)

(0.3)
0.290
(0.151 ;0.471)
(-0.3)
-0.302
(-0.444;-0.027)

(0.4)
0.362
(0.125 ;0.496)
(0.7)
0.654
(0.228 ;0.832

Cuadro 3.32: Resultados Modelo treinta y dos.

23

h(j)

(1)
1.144
(0.766;2.973)
(1.5)
1.174
(0.808; 2.976)

(10)
11.74252
(3.195;
16.829)

Conclusiones
En este trabajo se propone evaluar la eficiencia de la estimacion de los modelos
TAR con ruido t, a traves de la metodologa bayesiana que propone Zhang (2014) en
su tesis doctoral: TAR modeling with missing data when the white noise process
is not Gaussian. Dentro de los 32 modelos propuestos, los que estan condicionados
por los grados de libertad n=5 presentan estimaciones menos precisas que los de
grados de libertad n=10. As mismo en ambos regmenes los coeficientes autorregresivos fueron de buena estimacion y siempre estuvieron dentro de los intervalos de
confianza, sin embargo en casos donde se tena mas de 3 coeficientes autorregresivos
empezaba a alejarse la estimacion. Para el caso de las ponderaciones de varianza
h en todos los casos se encontraron aproximaciones muy cercanas con intervalos de
confianza m
as precisos.
Es importante reconocer este trabajo corrobora la buena estimacion de la metodologa propuesta por Zhang(2014) y que el hecho de correr por cada modelo 100
simulaciones da preponderancia a lo expuesto en dicho trabajo siendo as este un
aporte a sus conclusiones frente a las simulaciones realizadas con la metodologa
propuesta.

24

Recomendaciones
Es necesario investigar mas sobre la estimacion del grado de libertad, puesto que
la estimaci
on en algunos modelos no fue tan buena como se esperaba. Adicionalmente, la parte de identificacion del modelo TAR de Zhang (2014) tambien requiere
de simulaciones de Monte Carlo para corroborar su validez.
Anexo a lo anterior tambien se puede proponer la comparacion frente a otros metodos
de estimaci
on por ejemplo el Metropolis Hasting y revisar si es igual de concluyente, as mismo se puede determinar si el comportamiento de la curtosis por ejemplo
abordada por Nieto y Moreno (2010) es similar en el modelo TAR con ruido t.

25

Bibliografa
Engle, R. (1982). Autoregressive Conditional Heterocedasticity with estimates
of the variance of the united kingdom inflation. US: Econometrica 50, 987 a
1006.
Hamilton, J. (1994). Time Series Analysis. Princenton University Press.
Moreno, E. (2014). Una aplicacion del modelo TAR en series de tiempo. Bogota.
Nieto, F. (2005). Modeling bivariate threshold autoregressive processes in the presence of missing data. Bogota: Comunications in Statistics: Theory and Methods 34,
905
a930.
Terasvita, T. . (1992). Characterizing nonlinearites in business cycles using smooth
transition autoregressive models. Journal of Applied Econometrics.
Tong, H. (1990). Non-linear Time Series. A Dynamical System Approach. Oxford
Science.
Zhang, H. (2012). Estimaci
on de los modelos TAR cuando el proceso de ruido sigue
una distribuci
on t. Bogot
a.
Zhang, H. (2014). TAR modeling with missing data when the white noise process is
not Gaussian. Bogot
a.

26