Modelo de Corrección de Errores

• Acerca de
• Últimas entradas

Victor A.Rico

Diplomado en Ciencias Empresariales y Operador del Mercado Español de Futuros y Opciones

Últimas entradas de Victor A.Rico (ver todo)

• Medidas Estadísticas de Dispersión Relativa - junio 11, 2024
• Modelos SARIMA(Arima Estacionales).¿Qué son y cómo usarlos para Predecir? - enero 4, 2024
• ¿Qué es el RUIDO BLANCO ? Econometría en R - junio 21, 2023

✍ Este modelo econométrico está relacionado con el fenómeno de Cointegración. Si dos series de tiempo están cointegradas tendrán por tanto una relación de equilibrio en el largo plazo.

😉 Si este hecho se da, podemos además modelizar la dinámica de corto plazo de estas series mediante lo que llamamos Modelo de Corrección de Error.(MCE).

Si tienes dudas sobre la aplicación práctica de la cointegración  aquí te dejo un artículo anterior de mi blog donde hago un ejemplo con series de precios de acciones en R studio. Pincha aquí.

CÓDIGO R DEL VÍDEO

## 3 Pasos  1 ** Determinar la existencia de Cointegracion
#     2 ** Obtener los residuos del modelo(FUnción COintegracion)
#      3 ** Crear el MCE completo



#install.packages("tseries")
library(tseries)
#install.packages("forecast")
library(forecast)
#install.packages("TSA")
library(TSA)
library(quantmod)
library(lmtest)
library(quantmod)
library(tseries)
library(fImport)

### CREAR TABLA-- ** Usad vuestros datos en vez de los míos
                #   la tabla era demasiado grande para copiarla


tabla<-tabla[,c(USDNOK_2,USDSEK_2)]


x<-log10(tabla$USDNOK_2)
plot(x,type="l")
y<-log10(tabla$USDSEK_2)
plot(y,type="l")


## COINTEGRACION PARA 2 ACTIVOS 

modelo=lm(y~x)            # regresión lineal
summary(modelo )          
beta=coef(modelo)         # sacamos betas
res<-residuals(modelo)    
res1<-data.frame(res)
plot(res1$res,type="l")


adf.test(res1$res,k=0)   # test de dickey-fuller

## exste cointegracion-- Relacion largo plazo 2 series

## obtenemos los residuos del modelo

res_1<- residuals.lm(modelo)  
lagR <- lag(res_1)

lagRR<- res_1[1:(length(lagR)-1)]


residuos<- res1$res[1:16319]


#AHORA CREAMOS EL MCE --- DINÁMICA DE CORTO PLAZO 


##  1 Calcular las diferencias de las series 

##  2 Construir el Modelo de regresión Lineal de las series Diferencias
## incoporando los residuos del modelo anterior lageado


# Yt-(Yt-1) = b0 + b1(Xt-Xt-1)+ b2(ResiduosCointegracion(t-1))


#**Importante -- El término B2 debe ser negativo y menor a 1 en valor absoluto
# ya que eso nos demostrará que los cambios son hacia el equilibrio


xx <- diff(x)
plot(xx,type="l")
yy <- diff(y)
plot(yy,type="l")



MCEmodels<- lm(yy~xx+lagRR)
summary(MCEmodels)


## si podemos decir que la relacion de corto plazo tiende al largo plazo


#cajorls 


length(lagR)
length(xx)


MCEmodels<- lm(yy~xx+residuos)
summary(MCEmodels)