paquetes <- c("readxl", "dplyr", "urca", "forecast", "knitr")
faltan <- paquetes[!paquetes %in% rownames(installed.packages())]
if (length(faltan) > 0) install.packages(faltan)
library(readxl)
library(dplyr)
library(urca)
library(forecast)
library(knitr)
ruta <- "C:/Users/josec/OneDrive/Desktop/Documentos_Estudio/Econometria/Econometria 1 Taller2"
archivo <- list.files(ruta, pattern = "^TablaF5-1\\.xlsx?$", full.names = TRUE)
stopifnot("No se encontró el archivo TablaF5-1" = length(archivo) == 1)
archivo
## [1] "C:/Users/josec/OneDrive/Desktop/Documentos_Estudio/Econometria/Econometria 1 Taller2/TablaF5-1.xlsx"
excel_sheets(archivo)
## [1] "Hoja1" "Hoja2" "Hoja3"
crudo <- read_excel(archivo, sheet = 1, col_names = TRUE)
es_num <- !is.na(suppressWarnings(as.numeric(crudo[[1]])))
fin <- which(!es_num)[1] - 1
if (is.na(fin)) fin <- nrow(crudo)
datos <- crudo[1:fin, ] |>
select(where(~ !all(is.na(.x)))) |>
mutate(across(everything(), as.numeric))
names(datos) <- tolower(trimws(names(datos)))
diccionario <- crudo[(fin + 1):nrow(crudo), ] |>
filter(if_any(everything(), ~ !is.na(.x)))
str(datos)
## tibble [204 × 15] (S3: tbl_df/tbl/data.frame)
## $ year : num [1:204] 1950 1950 1950 1950 1951 ...
## $ qtr : num [1:204] 1 2 3 4 1 2 3 4 1 2 ...
## $ realgdp : num [1:204] 1610 1659 1723 1754 1774 ...
## $ realcons: num [1:204] 1059 1076 1131 1098 1123 ...
## $ realinv : num [1:204] 198 220 240 272 243 ...
## $ realgovt: num [1:204] 361 366 360 382 422 ...
## $ realdpi : num [1:204] 1186 1178 1196 1210 1208 ...
## $ cpi_u : num [1:204] 70.6 71.4 73.2 74.9 77.3 77.6 78.2 79.3 78.8 79.4 ...
## $ m1 : num [1:204] 110 112 113 114 115 ...
## $ tbilrate: num [1:204] 1.12 1.17 1.23 1.35 1.4 1.53 1.63 1.65 1.64 1.68 ...
## $ unemp : num [1:204] 6.4 5.6 4.6 4.2 3.5 3.1 3.2 3.4 3.1 3 ...
## $ pop : num [1:204] 149461 150260 151064 151871 152393 ...
## $ infl : num [1:204] 0 45071 99590 91834 126160 ...
## $ realint : num [1:204] 0 -33404 -87290 -78301 -112160 ...
## $ ...16 : num [1:204] NA 1950 1951 1952 1953 ...
diccionario
## # A tibble: 14 × 16
## Year qtr realgdp realcons realinv realgovt realdpi cpi_u M1 tbilrate
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 # Año =… NA NA NA NA NA NA NA NA NA
## 2 # Qtr =… NA NA NA NA NA NA NA NA NA
## 3 # Realg… NA NA NA NA NA NA NA NA NA
## 4 # Realc… NA NA NA NA NA NA NA NA NA
## 5 # Reali… NA NA NA NA NA NA NA NA NA
## 6 # Realg… NA NA NA NA NA NA NA NA NA
## 7 # Reald… NA NA NA NA NA NA NA NA NA
## 8 # CPI_U… NA NA NA NA NA NA NA NA NA
## 9 # M1 = … NA NA NA NA NA NA NA NA NA
## 10 # Tbilr… NA NA NA NA NA NA NA NA NA
## 11 # Unemp… NA NA NA NA NA NA NA NA NA
## 12 # Pop =… NA NA NA NA NA NA NA NA NA
## 13 # Infl … NA NA NA NA NA NA NA NA NA
## 14 # Reali… NA NA NA NA NA NA NA NA NA
## # ℹ 6 more variables: unemp <dbl>, pop <dbl>, infl <dbl>, realint <dbl>,
## # ...15 <lgl>, ...16 <dbl>
vars_base <- c("year", "qtr", "realgdp", "realcons", "realinv", "realgovt", "realdpi",
"cpi_u", "m1", "tbilrate", "unemp", "pop", "infl", "realint")
extra <- setdiff(names(datos), vars_base)
extra
## [1] "...16"
# Contenido de la columna extra: solo años sueltos, no es una variable
sapply(datos[extra], function(x) c(no_NA = sum(!is.na(x)),
min = min(x, na.rm = TRUE),
max = max(x, na.rm = TRUE)))
## ...16
## no_NA 51
## min 1950
## max 2000
# Rangos: inflación y tasa real en decenas de miles no son creíbles
summary(datos[, c("infl", "realint", "tbilrate", "cpi_u")])
## infl realint tbilrate cpi_u
## Min. :-25301 Min. :-1.122e+05 Min. : 0.810 Min. : 70.60
## 1st Qu.: 17467 1st Qu.:-1.480e-01 1st Qu.: 3.087 1st Qu.: 91.15
## Median : 31349 Median : 1.486e+04 Median : 5.045 Median :162.10
## Mean : 38876 Mean : 1.278e+04 Mean : 5.229 Mean :225.82
## 3rd Qu.: 55892 3rd Qu.: 2.908e+04 3rd Qu.: 6.645 3rd Qu.:350.12
## Max. :168643 Max. : 1.063e+05 Max. :15.090 Max. :521.10
# Valores teóricos según el diccionario:
# infl = 400*ln(cpi_t / cpi_t-1); realint = tbilrate - infl
revision <- datos |>
transmute(year, qtr, infl, realint,
infl_teo = 400 * (log(cpi_u) - log(lag(cpi_u))),
realint_teo = tbilrate - infl_teo,
infl_mal = abs(infl - infl_teo) > 0.05,
realint_mal = abs(realint - realint_teo) > 0.05)
# Número de observaciones dañadas
revision |>
summarise(n_infl_mal = sum(infl_mal, na.rm = TRUE),
n_realint_mal = sum(realint_mal, na.rm = TRUE))
## # A tibble: 1 × 2
## n_infl_mal n_realint_mal
## <int> <int>
## 1 175 151
# Ejemplos: el valor observado es el teórico sin el punto decimal
revision |> filter(infl_mal | realint_mal) |> head(10)
## # A tibble: 10 × 8
## year qtr infl realint infl_teo realint_teo infl_mal realint_mal
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <lgl> <lgl>
## 1 1950 2 45071 -33404 4.51 -3.34 TRUE TRUE
## 2 1950 3 99590 -87290 9.96 -8.73 TRUE TRUE
## 3 1950 4 91834 -78301 9.18 -7.83 TRUE TRUE
## 4 1951 1 126160 -112160 12.6 -11.2 TRUE TRUE
## 5 1951 2 15494 -0.0161 1.55 -0.0194 TRUE FALSE
## 6 1951 3 30809 -14542 3.08 -1.45 TRUE TRUE
## 7 1951 4 55874 -39374 5.59 -3.94 TRUE TRUE
## 8 1952 1 -25301 41701 -2.53 4.17 TRUE TRUE
## 9 1952 2 30341 -13575 3.03 -1.35 TRUE TRUE
## 10 1952 3 30113 -11813 3.01 -1.18 TRUE TRUE
# Primera observación: viene como 0 y debería ser NA
revision |> slice(1)
## # A tibble: 1 × 8
## year qtr infl realint infl_teo realint_teo infl_mal realint_mal
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <lgl> <lgl>
## 1 1950 1 0 0 NA NA NA NA
datos <- datos |>
select(all_of(vars_base)) |>
mutate(infl = 400 * (log(cpi_u) - log(lag(cpi_u))),
realint = tbilrate - infl)
# Verificación
dim(datos)
## [1] 204 14
summary(datos[, c("infl", "realint")])
## infl realint
## Min. :-2.530 Min. :-11.2160
## 1st Qu.: 1.762 1st Qu.: -0.1599
## Median : 3.138 Median : 1.5100
## Mean : 3.939 Mean : 1.3109
## 3rd Qu.: 5.591 3rd Qu.: 2.9188
## Max. :16.864 Max. : 10.6229
## NA's :1 NA's :1
La base corresponde a la Tabla F5.1 de Greene (Econometric
Analysis) y contiene información macroeconómica trimestral de
Estados Unidos entre el primer trimestre de 1950 y el cuarto trimestre
de 2000, para un total de 204 observaciones y
14 variables. Al ser una base de series de tiempo, cada
observación corresponde a un trimestre, identificado por las variables
year y qtr.
| Variable | Descripción | Unidad |
|---|---|---|
year |
Año | 1950–2000 |
qtr |
Trimestre | 1–4 |
realgdp |
PIB real | Miles de millones de USD |
realcons |
Gasto de consumo real | Miles de millones de USD |
realinv |
Inversión real del sector privado | Miles de millones de USD |
realgovt |
Gasto real del gobierno | Miles de millones de USD |
realdpi |
Ingreso personal disponible real | Miles de millones de USD |
cpi_u |
Índice de precios al consumidor | Índice |
m1 |
Stock de dinero nominal (M1) | Miles de millones de USD |
tbilrate |
Tasa de los bonos del Tesoro a 90 días (promedio trimestral) | % anual |
unemp |
Tasa de desempleo | % |
pop |
Población (interpolada a partir de cifras de fin de año) | Miles de personas |
infl |
Tasa de inflación: \(400\ln(CPI_t / CPI_{t-1})\) | % anualizado |
realint |
Tasa de interés real ex post: tbilrate −
infl |
% anual |
Las variables reales (PIB, consumo, inversión, gasto público e
ingreso disponible) están expresadas a precios constantes, mientras que
m1 está en términos nominales. Las variables
infl y realint se construyen a partir de otras
de la base, por lo que no tienen dato para el primer trimestre de
1950.
Calidad de los datos. Durante la revisión se
identificaron tres problemas en el archivo original: (i) una columna
adicional sin nombre que contenía únicamente una lista de años
(1950–2000) y no corresponde a ninguna variable, por lo que se eliminó;
(ii) las variables infl y realint presentaban
valores inverosímiles (por ejemplo, 45 071 en lugar de 4.5071) en 175 y
151 observaciones respectivamente, debido a la pérdida del separador
decimal; y (iii) la primera observación de ambas variables aparecía como
0 en lugar de missing. Para corregirlo, infl y
realint se recalcularon a partir de cpi_u y
tbilrate siguiendo las definiciones del diccionario de la
base, y la primera observación quedó como missing. Tras la limpieza, la
base final queda con 204 observaciones y 14 variables; infl
y realint tienen 203 observaciones válidas.
\[C_t = \beta_1 + \beta_2 Y_t + \beta_3 R_t + \beta_4 \pi_t + \varepsilon_t\]
| Modelo | Variable en la base | Unidad |
|---|---|---|
| \(C_t\) | realcons, consumo real |
miles de millones de USD constantes |
| \(Y_t\) | realdpi, ingreso disponible real |
miles de millones de USD constantes |
| \(\pi_t\) | inflación con el IPC (cpi_u) |
% anualizado |
| \(R_t\) | tbilrate − \(\pi_t\),
tasa real ex post |
% anualizado |
\[\pi_t = 400\,[\ln(IPC_t) - \ln(IPC_{t-1})], \qquad R_t = i_t - \pi_t\]
El 400 anualiza la tasa trimestral (×4) y la expresa en porcentaje (×100). La primera observación se pierde porque no existe \(IPC_{t-1}\). Se usa el IPC porque la tabla no trae PIB nominal.
datos <- datos |>
mutate(
fecha = year + (qtr - 1) / 4,
C = realcons,
Y = realdpi,
pi_calc = 400 * (log(cpi_u) - log(dplyr::lag(cpi_u))),
R_calc = tbilrate - pi_calc
)
datos |> select(year, qtr, infl, pi_calc, realint, R_calc) |> head(5)
## # A tibble: 5 × 6
## year qtr infl pi_calc realint R_calc
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 1950 1 NA NA NA NA
## 2 1950 2 4.51 4.51 -3.34 -3.34
## 3 1950 3 9.96 9.96 -8.73 -8.73
## 4 1950 4 9.18 9.18 -7.83 -7.83
## 5 1951 1 12.6 12.6 -11.2 -11.2
Nota sobre la base: las columnas originales
infl y realint se leyeron sin el punto decimal
(4.5071 aparece como 45071) por la configuración regional de Excel, por
lo que se usan las variables recalculadas. Se elimina la observación de
1950-T1, que no tiene inflación.
sapply(datos[, c("realcons", "realdpi", "cpi_u", "tbilrate")],
function(x) c(Min = min(x, na.rm = TRUE), Max = max(x, na.rm = TRUE)))
## realcons realdpi cpi_u tbilrate
## Min 1058.9 1178.1 70.6 0.81
## Max 6341.1 6634.9 521.1 15.09
base <- datos |>
filter(!is.na(pi_calc)) |>
transmute(fecha, C, Y,
R = R_calc,
pi = pi_calc,
lC = log(C),
lY = log(Y))
base_ts <- ts(base[, c("C", "Y", "R", "pi", "lC", "lY")],
start = c(1950, 2), frequency = 4)
dim(base_ts)
## [1] 203 6
colSums(is.na(base))
## fecha C Y R pi lC lY
## 0 0 0 0 0 0 0
resumen <- sapply(base[, c("C", "Y", "R", "pi")], function(x)
c(Media = mean(x), DE = sd(x), Min = min(x), Max = max(x)))
kable(round(t(resumen), 2), caption = "Estadísticas descriptivas (1950-T2 a 2000-T4)")
| Media | DE | Min | Max | |
|---|---|---|---|---|
| C | 3009.00 | 1456.90 | 1075.90 | 6341.10 |
| Y | 3352.09 | 1577.52 | 1178.10 | 6634.90 |
| R | 1.31 | 2.89 | -11.22 | 10.62 |
| pi | 3.94 | 3.40 | -2.53 | 16.86 |
# ---- Hechos históricos (inicio, fin, nombre) ----
hechos <- data.frame(
ini = c(1950.50, 1965.00, 1973.75, 1978.75, 1979.75, 1990.50),
fin = c(1951.75, 1969.75, 1975.25, 1979.75, 1982.75, 1991.25),
nombre = c("Guerra de\nCorea", "Vietnam y\ngasto social", "1.er choque\npetrolero",
"2.º choque\npetrolero", "Volcker:\nalza de tasas", "Guerra del\nGolfo"),
altura = c(0.3, 0.3, 0.3, 2.3, 0.3, 0.3) # línea del texto (se sube uno para que no se cruce)
)
# Recesiones de EE.UU. según el NBER
recesiones <- data.frame(
ini = c(1953.50, 1957.50, 1960.25, 1969.75, 1973.75, 1980.00, 1981.50, 1990.50),
fin = c(1954.25, 1958.25, 1961.00, 1970.75, 1975.00, 1980.50, 1982.75, 1991.00)
)
t <- as.numeric(time(base_ts))
# Fondo: hechos históricos en gris (con borde para separar los contiguos)
fondo <- function() {
u <- par("usr")
rect(hechos$ini, u[3], hechos$fin, u[4], col = "grey88", border = "white", lwd = 2)
}
# Recesiones: barra oscura en la base del panel
marcar_recesiones <- function() {
u <- par("usr")
rect(recesiones$ini, u[3], recesiones$fin, u[3] + 0.05 * (u[4] - u[3]),
col = "grey30", border = NA)
}
panel <- function(x, titulo, col, unidad, recesion = FALSE) {
plot(t, x, type = "n", xlab = "", ylab = unidad)
fondo()
if (recesion) marcar_recesiones()
# Lunes Negro: caída de la bolsa (oct. 1987)
abline(v = 1987.75, lty = 2, col = "grey30")
text(1987.75, par("usr")[4] - 0.08 * diff(par("usr")[3:4]),
"Caída de la bolsa\n(oct. 1987)", pos = 4, cex = 0.75, col = "grey20")
lines(t, x, col = col, lwd = 1.8)
title(titulo, adj = 0, line = 0.4)
box()
}
par(mfrow = c(5, 1), mar = c(2.2, 4.5, 1.8, 1), oma = c(2, 0, 4.5, 0), las = 1)
panel(base_ts[, "C"], "Consumo real (C)", "#1f4e79", "Miles de millones USD", recesion = TRUE)
mtext(hechos$nombre, side = 3, at = (hechos$ini + hechos$fin) / 2,
line = hechos$altura + 1.6, cex = 0.7, padj = 0)
panel(base_ts[, "Y"], "Ingreso disponible real (Y)", "#c0504d", "Miles de millones USD", recesion = TRUE)
panel(base_ts[, "R"], "Tasa de interés real (R)", "#1f4e79", "%")
panel(base_ts[, "pi"], "Inflación IPC (π)", "#c0504d", "%")
panel(datos$cpi_u[!is.na(datos$pi_calc)], "Índice de precios al consumidor (IPC)", "#1f4e79", "Índice")
mtext("Franjas grises: hechos históricos. Barras oscuras en la base de C e Y: recesiones (NBER).",
side = 1, outer = TRUE, line = 0.8, cex = 0.75, col = "grey30")
par(mfrow = c(1, 1))
| # | Periodo | Evento | Efecto en las series |
|---|---|---|---|
| 1 | 1950–1951 | Guerra de Corea | Compras anticipadas y gasto militar llevan la inflación a ~12%. Las tasas nominales seguían fijadas por la Fed (hasta el Acuerdo con el Tesoro de 1951), así que R cae a −11%. |
| 2 | 1965–1969 | Guerra de Vietnam y programas de gasto social | Expansión fiscal: la inflación sube gradualmente de ~1% a ~6% y R se acerca a 0. |
| 3 | 1973–1975 | Primer choque petrolero (embargo de la OPEP) | La inflación salta a ~13% mientras las tasas nominales suben menos: R vuelve a ser negativa (~−5%). Recesión 1973–75: C e Y se estancan. |
| 4 | 1979–1980 | Segundo choque petrolero (revolución iraní) | La inflación llega a su máximo de la muestra (~17% en 1980-T1). |
| 5 | 1979–1982 | Desinflación de Volcker | La Fed sube la tasa T-bill hasta ~15%: R pasa a ~10%, máximo de la muestra, y hay doble recesión (1980 y 1981–82). La inflación cae a ~3–4% y R queda en un nivel más alto que antes. Es el quiebre que detecta Zivot-Andrews (1980–81). |
| 6 | 1987 (oct.) | Caída de la bolsa (Lunes Negro) | El mercado accionario cae cerca de 22% en un día, sin interrumpir el crecimiento de C ni de Y. |
| 7 | 1990–1991 | Guerra del Golfo | El alza del petróleo sube la inflación a ~8% y llega una recesión corta. Después viene la larga expansión de los 90, con inflación baja y estable y un consumo que se acelera al final de la década. |
En consumo e ingreso, las recesiones solo producen caídas leves y temporales: domina la tendencia creciente, consistente con series I(1). En la tasa real y la inflación, en cambio, los episodios anteriores generan cambios de nivel persistentes, en particular el de 1979–82.
Signos esperados:
| Serie | Gráfico | ADF | PP | KPSS |
|---|---|---|---|---|
| C, Y, ln C, ln Y | tendencia creciente | trend (τ₃, φ₂, φ₃) |
trend |
tau |
| R, π | sin tendencia, media ≠ 0 | drift (τ₂, φ₁) |
constant |
mu |
| Primeras diferencias | media ≠ 0 | drift |
constant |
mu |
Rezagos: el máximo para el ADF es \(p_{max} = \lfloor 12(T/100)^{1/4}\rfloor = 14\) (Schwert) y el óptimo se elige por AIC. Para FAC y FACP se usan \(n/4 \approx 50\) rezagos. La serie está desestacionalizada.
n <- nrow(base_ts)
k_max <- floor(12 * (n / 100)^(1/4))
k_acf <- floor(n / 4)
banda <- 1.96 / sqrt(n)
especif <- data.frame(
serie = c("C", "Y", "lC", "lY", "R", "pi"),
adf = c("trend", "trend", "trend", "trend", "drift", "drift"),
pp = c("trend", "trend", "trend", "trend", "constant", "constant"),
za = c("both", "both", "both", "both", "intercept", "intercept")
)
dif_ts <- diff(base_ts[, especif$serie])
c(n = n, k_max = k_max, k_acf = k_acf, banda = round(banda, 4))
## n k_max k_acf banda
## 203.0000 14.0000 50.0000 0.1376
sapply(c("C", "Y"), function(v) BoxCox.lambda(base_ts[, v], method = "guerrero"))
## C Y
## 0.1943109 0.3234638
t_d <- as.numeric(time(dif_ts))
panel_dif <- function(x, titulo, col, unidad, recesion = FALSE) {
plot(t_d, x, type = "n", xlab = "", ylab = unidad)
fondo()
if (recesion) marcar_recesiones()
abline(v = 1987.75, lty = 2, col = "grey30")
text(1987.75, par("usr")[4] - 0.08 * diff(par("usr")[3:4]),
"Caída de la bolsa\n(oct. 1987)", pos = 4, cex = 0.75, col = "grey20")
lines(t_d, x, col = col, lwd = 1.3)
title(titulo, adj = 0, line = 0.4)
box()
}
par(mfrow = c(4, 1), mar = c(2.2, 4.5, 1.8, 1), oma = c(2, 0, 4.5, 0), las = 1)
panel_dif(400 * dif_ts[, "lC"], "Crecimiento del consumo real (Δ ln C × 400)",
"#1f4e79", "% anual", recesion = TRUE)
mtext(hechos$nombre, side = 3, at = (hechos$ini + hechos$fin) / 2,
line = hechos$altura + 1.6, cex = 0.7, padj = 0)
panel_dif(400 * dif_ts[, "lY"], "Crecimiento del ingreso disponible real (Δ ln Y × 400)",
"#c0504d", "% anual", recesion = TRUE)
panel_dif(dif_ts[, "R"], "Cambio en la tasa de interés real (Δ R)", "#1f4e79", "p.p.")
panel_dif(dif_ts[, "pi"], "Cambio en la inflación (Δ π)", "#c0504d", "p.p.")
mtext("Franjas grises: hechos históricos. Barras oscuras en la base: recesiones (NBER).",
side = 1, outer = TRUE, line = 0.8, cex = 0.75, col = "grey30")
par(mfrow = c(1, 1))
correlograma <- function(x, nombre, k = k_acf) {
par(mfrow = c(1, 2))
acf(as.numeric(x), lag.max = k, main = paste("FAC -", nombre))
pacf(as.numeric(x), lag.max = k, main = paste("FACP -", nombre))
par(mfrow = c(1, 1))
}
for (v in c("lC", "lY", "R", "pi")) correlograma(base_ts[, v], v)
for (v in c("lC", "lY", "R", "pi")) correlograma(dif_ts[, v], paste0("Δ", v))
adf_seq <- function(x, nombre, tipo) {
m <- ur.df(as.numeric(x), type = tipo, lags = k_max, selectlags = "AIC")
est <- setNames(as.numeric(m@teststat), colnames(m@teststat))
cv5 <- m@cval[names(est), "5pct"]
rez <- sum(grepl("z.diff.lag", rownames(coef(m@testreg))))
lb <- Box.test(m@res, lag = 12, type = "Ljung-Box")$p.value
data.frame(Serie = nombre, Modelo = tipo, Prueba = names(est),
Estadistico = round(est, 3), VC_5 = cv5,
Rechaza_H0 = ifelse(grepl("tau", names(est)), est < cv5, est > cv5),
Rezagos = rez, LjungBox_p = round(lb, 3), row.names = NULL)
}
adf_niv <- do.call(rbind, Map(function(s, t) adf_seq(base_ts[, s], s, t),
especif$serie, especif$adf))
kable(adf_niv, row.names = FALSE, caption = "ADF en niveles")
| Serie | Modelo | Prueba | Estadistico | VC_5 | Rechaza_H0 | Rezagos | LjungBox_p |
|---|---|---|---|---|---|---|---|
| C | trend | tau3 | 0.423 | -3.43 | FALSE | 3 | 0.886 |
| C | trend | phi2 | 5.856 | 4.75 | TRUE | 3 | 0.886 |
| C | trend | phi3 | 3.638 | 6.49 | FALSE | 3 | 0.886 |
| Y | trend | tau3 | -0.447 | -3.43 | FALSE | 5 | 0.543 |
| Y | trend | phi2 | 12.505 | 4.75 | TRUE | 5 | 0.543 |
| Y | trend | phi3 | 6.003 | 6.49 | FALSE | 5 | 0.543 |
| lC | trend | tau3 | -2.232 | -3.43 | FALSE | 5 | 0.758 |
| lC | trend | phi2 | 12.862 | 4.75 | TRUE | 5 | 0.758 |
| lC | trend | phi3 | 2.973 | 6.49 | FALSE | 5 | 0.758 |
| lY | trend | tau3 | -1.219 | -3.43 | FALSE | 5 | 0.832 |
| lY | trend | phi2 | 13.851 | 4.75 | TRUE | 5 | 0.832 |
| lY | trend | phi3 | 2.548 | 6.49 | FALSE | 5 | 0.832 |
| R | drift | tau2 | -2.598 | -2.88 | FALSE | 14 | 0.999 |
| R | drift | phi1 | 3.403 | 4.63 | FALSE | 14 | 0.999 |
| pi | drift | tau2 | -3.005 | -2.88 | TRUE | 6 | 0.926 |
| pi | drift | phi1 | 4.521 | 4.63 | FALSE | 6 | 0.926 |
adf_dif <- do.call(rbind, lapply(especif$serie, function(s)
adf_seq(dif_ts[, s], paste0("Δ", s), "drift")))
kable(adf_dif, row.names = FALSE, caption = "ADF en primeras diferencias")
| Serie | Modelo | Prueba | Estadistico | VC_5 | Rechaza_H0 | Rezagos | LjungBox_p |
|---|---|---|---|---|---|---|---|
| ΔC | drift | tau2 | -3.566 | -2.88 | TRUE | 2 | 0.954 |
| ΔC | drift | phi1 | 6.452 | 4.63 | TRUE | 2 | 0.954 |
| ΔY | drift | tau2 | -3.214 | -2.88 | TRUE | 8 | 0.969 |
| ΔY | drift | phi1 | 5.299 | 4.63 | TRUE | 8 | 0.969 |
| ΔlC | drift | tau2 | -6.216 | -2.88 | TRUE | 4 | 0.748 |
| ΔlC | drift | phi1 | 19.340 | 4.63 | TRUE | 4 | 0.748 |
| ΔlY | drift | tau2 | -6.677 | -2.88 | TRUE | 4 | 0.831 |
| ΔlY | drift | phi1 | 22.310 | 4.63 | TRUE | 4 | 0.831 |
| ΔR | drift | tau2 | -4.655 | -2.88 | TRUE | 14 | 1.000 |
| ΔR | drift | phi1 | 10.852 | 4.63 | TRUE | 14 | 1.000 |
| Δpi | drift | tau2 | -6.296 | -2.88 | TRUE | 10 | 1.000 |
| Δpi | drift | phi1 | 19.818 | 4.63 | TRUE | 10 | 1.000 |
pp_kpss <- function(x, nombre, det) {
x <- as.numeric(x)
pp <- ur.pp(x, type = "Z-tau", model = det, lags = "long")
kp <- ur.kpss(x, type = ifelse(det == "trend", "tau", "mu"), lags = "long")
data.frame(Serie = nombre, Determ = det,
PP = round(as.numeric(pp@teststat), 3),
PP_VC5 = pp@cval[1, "5pct"],
PP_rechaza_RU = as.numeric(pp@teststat) < pp@cval[1, "5pct"],
KPSS = round(as.numeric(kp@teststat), 3),
KPSS_VC5 = kp@cval[1, "5pct"],
KPSS_rechaza_Est = as.numeric(kp@teststat) > kp@cval[1, "5pct"])
}
ppk_niv <- do.call(rbind, Map(function(s, d) pp_kpss(base_ts[, s], s, d),
especif$serie, especif$pp))
ppk_dif <- do.call(rbind, lapply(especif$serie, function(s)
pp_kpss(dif_ts[, s], paste0("Δ", s), "constant")))
kable(ppk_niv, row.names = FALSE, caption = "PP y KPSS en niveles")
| Serie | Determ | PP | PP_VC5 | PP_rechaza_RU | KPSS | KPSS_VC5 | KPSS_rechaza_Est |
|---|---|---|---|---|---|---|---|
| C | trend | 1.204 | -3.433032 | FALSE | 0.334 | 0.146 | TRUE |
| Y | trend | -0.473 | -3.433032 | FALSE | 0.329 | 0.146 | TRUE |
| lC | trend | -1.962 | -3.433032 | FALSE | 0.269 | 0.146 | TRUE |
| lY | trend | -1.086 | -3.433032 | FALSE | 0.326 | 0.146 | TRUE |
| R | constant | -9.017 | -2.875859 | TRUE | 0.413 | 0.463 | FALSE |
| pi | constant | -7.826 | -2.875859 | TRUE | 0.273 | 0.463 | FALSE |
kable(ppk_dif, row.names = FALSE, caption = "PP y KPSS en primeras diferencias")
| Serie | Determ | PP | PP_VC5 | PP_rechaza_RU | KPSS | KPSS_VC5 | KPSS_rechaza_Est |
|---|---|---|---|---|---|---|---|
| ΔC | constant | -11.574 | -2.875929 | TRUE | 0.909 | 0.463 | TRUE |
| ΔY | constant | -14.343 | -2.875929 | TRUE | 0.863 | 0.463 | TRUE |
| ΔlC | constant | -15.015 | -2.875929 | TRUE | 0.090 | 0.463 | FALSE |
| ΔlY | constant | -13.036 | -2.875929 | TRUE | 0.331 | 0.463 | FALSE |
| ΔR | constant | -32.681 | -2.875929 | TRUE | 0.049 | 0.463 | FALSE |
| Δpi | constant | -30.903 | -2.875929 | TRUE | 0.064 | 0.463 | FALSE |
za_tabla <- function(x, nombre, modelo) {
m <- ur.za(as.numeric(x), model = modelo, lag = 4)
data.frame(Serie = nombre, Modelo = modelo,
Estadistico = round(m@teststat, 3), VC_5 = m@cval[2],
Rechaza_RU = m@teststat < m@cval[2],
Quiebre = time(x)[m@bpoint])
}
za <- do.call(rbind, Map(function(s, m) za_tabla(base_ts[, s], s, m),
especif$serie, especif$za))
kable(za, row.names = FALSE, caption = "Zivot-Andrews")
| Serie | Modelo | Estadistico | VC_5 | Rechaza_RU | Quiebre |
|---|---|---|---|---|---|
| C | both | -2.069 | -5.08 | FALSE | 1991.00 |
| Y | both | -2.618 | -5.08 | FALSE | 1983.25 |
| lC | both | -4.413 | -5.08 | FALSE | 1964.75 |
| lY | both | -3.928 | -5.08 | FALSE | 1963.50 |
| R | intercept | -6.486 | -4.80 | TRUE | 1980.25 |
| pi | intercept | -4.972 | -4.80 | TRUE | 1981.50 |
nd <- sapply(seq_len(nrow(especif)), function(i) {
x <- base_ts[, especif$serie[i]]
tip <- ifelse(especif$adf[i] == "trend", "trend", "level")
c(ADF = ndiffs(x, alpha = 0.05, test = "adf", type = tip),
PP = ndiffs(x, alpha = 0.05, test = "pp", type = tip),
KPSS = ndiffs(x, alpha = 0.05, test = "kpss", type = tip))
})
colnames(nd) <- especif$serie
kable(nd, caption = "Número de diferencias para alcanzar estacionariedad (α = 5%)")
| C | Y | lC | lY | R | pi | |
|---|---|---|---|---|---|---|
| ADF | 1 | 1 | 1 | 1 | 0 | 0 |
| PP | 1 | 1 | 1 | 1 | 0 | 0 |
| KPSS | 1 | 1 | 1 | 1 | 1 | 1 |
Dickey-Fuller Aumentada (ADF). Se estima por MCO alguna de las siguientes regresiones, donde los rezagos \(\Delta y_{t-j}\) se incluyen para que el error sea ruido blanco (su número se elige por AIC):
\[\Delta y_t = a_0 + \gamma y_{t-1} + \sum_{j=1}^{p}\lambda_j \Delta y_{t-j} + \varepsilon_t \qquad \text{(con deriva: R, π y diferencias)}\]
\[\Delta y_t = a_0 + \gamma y_{t-1} + a_2 t + \sum_{j=1}^{p}\lambda_j \Delta y_{t-j} + \varepsilon_t \qquad \text{(con tendencia: ln C, ln Y)}\]
con \(\gamma = a_1 - 1\). Si \(\gamma = 0\), entonces \(a_1 = 1\) y la serie tiene raíz unitaria; si \(\gamma < 0\), es estacionaria. Los estadísticos \(\phi_i\) son pruebas F conjuntas que comparan el modelo restringido con el no restringido: un valor grande de \(\phi_i\) rechaza H₀ e indica que el proceso generador de datos es el modelo no restringido.
Phillips-Perron (PP). Misma hipótesis que el ADF, pero en lugar de agregar rezagos corrige la autocorrelación del error con un factor de corrección no paramétrico sobre el estadístico.
KPSS. Descompone la serie en \(y_t = r_t + \beta t + \varepsilon_t\), con \(r_t = r_{t-1} + u_t\) un paseo aleatorio. A diferencia del ADF y del PP, la hipótesis nula es la estacionariedad (\(\sigma^2_u = 0\)), por eso se usa como contraste cruzado.
Zivot-Andrews (ZA). Contrasta raíz unitaria contra estacionariedad con un quiebre estructural cuya fecha se estima dentro de la muestra. Si hay un cambio de nivel que no se modela, el ADF tiende a no rechazar la raíz unitaria aunque la serie sea estacionaria.
| Prueba | H₀ | Rechazo si | VC 5% | Si se rechaza H₀ |
|---|---|---|---|---|
| ADF τ₃ | γ = 0 (raíz unitaria) | estadístico < VC | −3.43 | Estacionaria en tendencia |
| ADF φ₃ | γ = a₂ = 0 | F > VC | 6.49 | Hay tendencia determinista |
| ADF φ₂ | a₀ = γ = a₂ = 0 | F > VC | 4.75 | Hay deriva y/o tendencia |
| ADF τ₂ | γ = 0 (raíz unitaria) | estadístico < VC | −2.88 | Estacionaria alrededor de una media |
| ADF φ₁ | a₀ = γ = 0 | F > VC | 4.63 | Hay deriva |
| PP Z-tau | raíz unitaria | estadístico < VC | ≈ −3.43 / −2.88 | Estacionaria |
| KPSS τ | estacionaria en tendencia | estadístico > VC | 0.146 | No estacionaria |
| KPSS μ | estacionaria en nivel | estadístico > VC | 0.463 | No estacionaria |
| Zivot-Andrews | raíz unitaria sin quiebre | estadístico < VC | −5.08 / −4.80 | Estacionaria con quiebre |
| FAC/FACP | ρₖ = 0 | |ρ̂ₖ| > banda | ±1.96/√n = ±0.138 | Autocorrelación significativa |
| Ljung-Box | residuos ruido blanco | p < 0.05 | — | Faltan rezagos en el ADF |
| Patrón | Proceso |
|---|---|
| FAC ≈ 1 que decae lenta y linealmente; FACP con un pico ≈ 1 en el rezago 1 | Raíz unitaria (paseo aleatorio) |
| FAC que decae geométricamente; FACP que se corta en el rezago p | AR(p) estacionario |
| FAC ≈ 0 en todos los rezagos | Ruido blanco |
| FAC con un pico ≈ −0.5 en el rezago 1; FACP negativa que decae gradualmente | MA(1) con θ ≈ 1: serie sobrediferenciada |
| ADF/PP | KPSS | Conclusión |
|---|---|---|
| Rechaza RU | No rechaza | I(0) |
| No rechaza RU | Rechaza | Raíz unitaria |
| Rechaza | Rechaza | Inconcluso: se decide con Zivot-Andrews y FAC |
| No rechaza | No rechaza | Inconcluso: se decide con Zivot-Andrews y FAC |
| ADF y PP no coinciden | — | Se decide con KPSS, Zivot-Andrews y FAC |
| Serie | Niveles | Primeras diferencias | Orden de integración |
|---|---|---|---|
| ln C | ADF: τ₃ = −2.23 (no rechaza RU), φ₃ = 2.97 (no rechaza), φ₂ = 12.86 (rechaza) → RU con deriva. PP = −1.96 (no rechaza). KPSS τ = 0.269 (rechaza estacionariedad). ZA = −4.41 (no rechaza). FAC ≈ 1 con decaimiento lineal. | ADF τ₂ = −6.22, PP = −15.02 (rechazan RU). KPSS μ = 0.090 (no rechaza). FAC ≈ ruido blanco. | I(1): paseo aleatorio con deriva |
| ln Y | ADF: τ₃ = −1.22 (no rechaza RU), φ₃ = 2.55 (no rechaza), φ₂ = 13.85 (rechaza) → RU con deriva. PP = −1.09 (no rechaza). KPSS τ = 0.326 (rechaza). ZA = −3.93 (no rechaza). FAC ≈ 1 con decaimiento lineal. | ADF τ₂ = −6.68, PP = −13.04 (rechazan RU). KPSS μ = 0.331 (no rechaza). FAC ≈ ruido blanco. | I(1): paseo aleatorio con deriva |
| R | ADF τ₂ = −2.60 (no rechaza, con 14 rezagos). PP = −9.02 (rechaza RU). KPSS μ = 0.413 (no rechaza estacionariedad). ZA = −6.49 (rechaza RU, quiebre en 1980-T2). FAC decae y entra en las bandas cerca del rezago 10; FACP se corta en el 3. | Todas rechazan RU. FAC con pico de −0.44 en el rezago 1: sobrediferenciación. | I(0) con cambio de nivel en 1980 |
| π | ADF τ₂ = −3.01 (rechaza RU por poco). PP = −7.83 (rechaza). KPSS μ = 0.273 (no rechaza). ZA = −4.97 (rechaza RU, quiebre en 1981-T3). FAC persistente pero entra en las bandas cerca del rezago 30; FACP se corta en el 3. | Todas rechazan RU. FAC con pico de −0.42 en el rezago 1: sobrediferenciación. | I(0) persistente, con cambio de nivel en 1981 |
Síntesis. ln C y ln Y son procesos I(1): todas las pruebas coinciden en que tienen raíz unitaria en niveles y son estacionarias en primeras diferencias, y el procedimiento secuencial del ADF indica un paseo aleatorio con deriva (φ₂ significativo, φ₃ no significativo). R y π son estacionarias en niveles. El ADF tiene poca potencia en R porque no modela el cambio de nivel asociado a la desinflación de Volcker (1979–1982); una vez que Zivot-Andrews incorpora el quiebre, se rechaza la raíz unitaria, en línea con PP y KPSS. El pico negativo cercano a −0.5 en la FAC de ΔR y Δπ confirma que diferenciarlas es innecesario.
Implicación para el modelo. La función de consumo combina dos regresores de distinto orden de integración: ln Y, que es I(1), y R y π, que son I(0). Estimarla en niveles por MCO solo es válido si ln C y ln Y están cointegradas; de lo contrario, la regresión sería espuria (Granger y Newbold, 1974), con R² alto y residuos fuertemente autocorrelacionados. Como R y π son estacionarias, entran en niveles en el modelo en crecimientos del punto b; diferenciarlas eliminaría la información de nivel.
paquetes_bcd <- c("lmtest", "sandwich", "AER", "tseries", "nlme")
faltan <- paquetes_bcd[!paquetes_bcd %in% rownames(installed.packages())]
if (length(faltan) > 0) install.packages(faltan)
library(lmtest)
library(sandwich)
library(AER)
library(tseries)
library(nlme)
# Tabla compacta de coeficientes de varios modelos: coef. y (error estándar)
tabla_modelos <- function(modelos, vcovs = NULL, digitos = 3) {
vars <- unique(unlist(lapply(modelos, function(m) names(coef(m)))))
celdas <- sapply(seq_along(modelos), function(i) {
m <- modelos[[i]]
ct <- if (is.null(vcovs[[i]])) coeftest(m) else coeftest(m, vcov = vcovs[[i]])
sapply(vars, function(v) {
if (!v %in% rownames(ct)) return("")
est <- ct[v, 1]; se <- ct[v, 2]; p <- ct[v, 4]
est_txt <- formatC(est, format = "f", digits = digitos)
se_txt <- formatC(se, format = "f", digits = digitos)
estrellas <- ifelse(p < 0.01, "***", ifelse(p < 0.05, "**", ifelse(p < 0.1, "*", "")))
paste0(est_txt, estrellas, " (", se_txt, ")")
})
})
colnames(celdas) <- names(modelos)
celdas
}
# Durbin-Watson y R² de un lm
dw <- function(m) as.numeric(dwtest(m)$statistic)
r2 <- function(m) summary(m)$r.squared
Se estima primero la ecuación tal como la plantea el taller, en niveles y en logaritmos:
\[C_t = \beta_1 + \beta_2 Y_t + \beta_3 R_t + \beta_4 \pi_t + \varepsilon_t \qquad\qquad \ln C_t = \beta_1 + \beta_2 \ln Y_t + \beta_3 R_t + \beta_4 \pi_t + \varepsilon_t\]
m_niv <- lm(C ~ Y + R + pi, data = base)
m_log <- lm(lC ~ lY + R + pi, data = base)
tab_niv <- tabla_modelos(list("C (niveles)" = m_niv, "ln C (logaritmos)" = m_log), digitos = 4)
tab_niv <- rbind(tab_niv,
"R²" = round(c(r2(m_niv), r2(m_log)), 4),
"Durbin-Watson" = round(c(dw(m_niv), dw(m_log)), 3),
"n" = c(nobs(m_niv), nobs(m_log)))
kable(tab_niv, caption = "MCO en niveles. Errores estándar entre paréntesis. *** p<0.01, ** p<0.05, * p<0.1")
| C (niveles) | ln C (logaritmos) | |
|---|---|---|
| (Intercept) | -26.3299** (12.5791) | -0.2490*** (0.0213) |
| Y | 0.9387*** (0.0035) | |
| R | -21.7130*** (2.3781) | -0.0059*** (0.0006) |
| pi | -21.0349*** (1.9278) | -0.0059*** (0.0005) |
| lY | 1.0212*** (0.0028) | |
| R² | 0.9978 | 0.9989 |
| Durbin-Watson | 0.184 | 0.353 |
| n | 203 | 203 |
A primera vista los resultados son “excelentes”: R² de 0.998, todos los coeficientes con los signos esperados y estadísticos t enormes. La propensión marginal a consumir es 0.94 en niveles y la elasticidad consumo-ingreso es 1.02 en logaritmos; tanto la tasa real como la inflación reducen el consumo. Sin embargo, el estadístico Durbin-Watson es muy bajo (0.18 y 0.35), lo que indica que los residuos están casi perfectamente autocorrelacionados.
Del punto a sabemos que \(\ln C\) y \(\ln Y\) son I(1). Una regresión entre series I(1) solo tiene sentido si están cointegradas, es decir, si sus residuos son estacionarios. Si no lo están, se obtiene una regresión espuria (Granger y Newbold, 1974): R² alto, estadísticos t inflados y residuos fuertemente autocorrelacionados, aunque no exista relación real.
Se aplican tres diagnósticos:
eg <- function(m) ur.df(resid(m), type = "none", lags = k_max, selectlags = "AIC")@teststat[1]
po_c <- ca.po(base[, c("lC", "lY")], demean = "constant", type = "Pu")
po_t <- ca.po(base[, c("lC", "lY")], demean = "trend", type = "Pu")
espuria <- data.frame(
Diagnóstico = c("R² vs DW (modelo en niveles)",
"R² vs DW (modelo en logaritmos)",
"Engle-Granger: ln C, ln Y, R, π",
"Engle-Granger: ln C, ln Y",
"Phillips-Ouliaris (constante): ln C, ln Y",
"Phillips-Ouliaris (tendencia): ln C, ln Y"),
Estadístico = round(c(r2(m_niv) - dw(m_niv), r2(m_log) - dw(m_log),
eg(m_log), eg(lm(lC ~ lY, data = base)),
po_c@teststat, po_t@teststat), 3),
`VC 5%` = c("R² − DW > 0", "R² − DW > 0", "−4.10 (MacKinnon)", "−3.34 (MacKinnon)",
round(po_c@cval[2], 2), round(po_t@cval[2], 2)),
check.names = FALSE
)
espuria$Conclusión <- c("Sospecha de regresión espuria", "Sospecha de regresión espuria",
ifelse(espuria$Estadístico[3] < -4.10, "Cointegración", "No cointegración"),
ifelse(espuria$Estadístico[4] < -3.34, "Cointegración", "No cointegración"),
ifelse(po_c@teststat > po_c@cval[2], "Cointegración", "No cointegración"),
ifelse(po_t@teststat > po_t@cval[2], "Cointegración (con tendencia)", "No cointegración"))
kable(espuria, caption = "Diagnósticos de regresión espuria")
| Diagnóstico | Estadístico | VC 5% | Conclusión |
|---|---|---|---|
| R² vs DW (modelo en niveles) | 0.814 | R² − DW > 0 | Sospecha de regresión espuria |
| R² vs DW (modelo en logaritmos) | 0.646 | R² − DW > 0 | Sospecha de regresión espuria |
| Engle-Granger: ln C, ln Y, R, π | -2.214 | −4.10 (MacKinnon) | No cointegración |
| Engle-Granger: ln C, ln Y | -0.834 | −3.34 (MacKinnon) | No cointegración |
| Phillips-Ouliaris (constante): ln C, ln Y | 22.274 | 33.71 | No cointegración |
| Phillips-Ouliaris (tendencia): ln C, ln Y | 55.066 | 48.84 | Cointegración (con tendencia) |
plot(base$fecha, resid(m_log), type = "l", col = "#1f4e79", lwd = 1.5, las = 1,
xlab = "", ylab = "Residuo", main = "Residuos del modelo en logaritmos")
abline(h = 0, lty = 2, col = "grey40")
Interpretación. En los dos modelos el R² supera ampliamente al Durbin-Watson, la primera señal de alerta. La prueba de Engle-Granger no rechaza la raíz unitaria en los residuos, ni con las cuatro variables ni con el par \(\ln C\)–\(\ln Y\), y la prueba de Phillips-Ouliaris con constante tampoco encuentra cointegración. Solo la versión con tendencia determinista la acepta al 5%, lo que no es suficiente para respaldar la ecuación tal como está planteada (sin tendencia). El gráfico lo confirma: los residuos no oscilan alrededor de cero, sino que deambulan durante décadas por encima o por debajo, como un paseo aleatorio.
Por lo tanto, los resultados en niveles son en buena medida espurios: los signos son razonables, pero los errores estándar y los estadísticos t no son válidos y el R² cercano a 1 refleja que ambas series crecen en el tiempo, no una relación estructural. En particular, la alta significancia de R y π es engañosa: como se ve más adelante, al eliminar la tendencia estocástica el efecto de R desaparece.
Como no hay cointegración, la forma correcta de eliminar la tendencia estocástica es diferenciar las variables I(1) y mantener en niveles las I(0). Así la ecuación queda balanceada: todas las variables del modelo son estacionarias.
\[\Delta \ln C_t \times 400 = \beta_1 + \beta_2\, (\Delta \ln Y_t \times 400) + \beta_3 R_t + \beta_4 \pi_t + \varepsilon_t\]
Esta especificación tiene respaldo teórico directo: según la ecuación de Euler del consumo (Hall, 1978), lo que depende de la tasa de interés real es la tasa de crecimiento del consumo, no su nivel. Además, mantener R y π en niveles evita la sobrediferenciación detectada en el punto a. Como comparación se reporta también el modelo con todas las variables diferenciadas.
base_d <- base |>
mutate(dlC = 400 * (lC - dplyr::lag(lC)),
dlY = 400 * (lY - dplyr::lag(lY)),
dR = R - dplyr::lag(R),
dpi = pi - dplyr::lag(pi)) |>
filter(!is.na(dlC))
m_dif <- lm(dlC ~ dlY + R + pi, data = base_d)
m_dif2 <- lm(dlC ~ dlY + dR + dpi, data = base_d)
tab_dif <- tabla_modelos(list("Δln C ~ Δln Y + R + π (preferido)" = m_dif,
"Δln C ~ Δln Y + ΔR + Δπ" = m_dif2))
tab_dif <- rbind(tab_dif,
"R²" = round(c(r2(m_dif), r2(m_dif2)), 3),
"Durbin-Watson" = round(c(dw(m_dif), dw(m_dif2)), 3),
"n" = c(nobs(m_dif), nobs(m_dif2)))
kable(tab_dif, caption = "MCO con variables estacionarias. Variable dependiente: crecimiento anualizado del consumo (%).")
| Δln C ~ Δln Y + R + π (preferido) | Δln C ~ Δln Y + ΔR + Δπ | |
|---|---|---|
| (Intercept) | 2.943*** (0.544) | 1.992*** (0.313) |
| dlY | 0.428*** (0.065) | 0.445*** (0.066) |
| R | -0.102 (0.097) | |
| pi | -0.193** (0.083) | |
| dR | 0.034 (0.321) | |
| dpi | 0.257 (0.309) | |
| R² | 0.223 | 0.233 |
| Durbin-Watson | 2.468 | 2.406 |
| n | 202 | 202 |
| Coeficiente | Niveles (espurio) | Diferencias (preferido) | Lectura económica |
|---|---|---|---|
| \(\beta_1\) | — | ≈ 2.9 | Crecimiento autónomo del consumo de casi 3% anual cuando el ingreso no crece y R = π = 0. |
| \(\beta_2\) | 0.94 (PMgC) | ≈ 0.43 | Si el ingreso disponible crece 1 p.p. más en un trimestre, el consumo crece solo 0.43 p.p. más. Los hogares suavizan el consumo: solo una parte de los cambios transitorios del ingreso se traslada al gasto, como predicen las teorías del ingreso permanente y del ciclo de vida. Cumple \(0 < \beta_2 < 1\). |
| \(\beta_3\) | −21.7 (muy significativo) | ≈ −0.10 (no significativo) | El signo negativo es el esperado (domina el efecto sustitución), pero el efecto no es estadísticamente distinto de cero. Es consistente con la evidencia empírica para EE.UU. de una elasticidad de sustitución intertemporal baja (Hall, 1988). La significancia que mostraba el modelo en niveles era espuria. |
| \(\beta_4\) | −21.0 (muy significativo) | ≈ −0.19 (significativo al 5%) | Un punto más de inflación reduce el crecimiento del consumo en 0.19 p.p. Domina el canal negativo: la inflación erosiona la riqueza real y aumenta la incertidumbre, lo que incentiva el ahorro precautorio. |
| R² | 0.998 | ≈ 0.22 | El R² baja mucho porque ahora se explica el crecimiento del consumo, no su nivel; un R² de 0.22 es normal en series en diferencias. |
El modelo con todas las variables diferenciadas (ΔR, Δπ) da una propensión similar (0.45), pero R y π pierden toda significancia: diferenciar series I(0) elimina la información de nivel que sí es relevante para el consumo, en línea con la sobrediferenciación encontrada en el punto a. Por eso el modelo preferido mantiene R y π en niveles.
Se evalúan los supuestos del modelo preferido
(m_dif).
e_dif <- resid(m_dif)
# Exogeneidad: prueba de Wu-Hausman con instrumentos rezagados
base_iv <- base_d |>
mutate(dlY1 = dplyr::lag(dlY), dlY2 = dplyr::lag(dlY, 2),
R1 = dplyr::lag(R), pi1 = dplyr::lag(pi)) |>
filter(!is.na(dlY2))
m_iv <- ivreg(dlC ~ dlY + R + pi | dlY1 + dlY2 + R1 + pi1, data = base_iv)
diag_iv <- summary(m_iv, diagnostics = TRUE)$diagnostics
white <- bptest(m_dif, ~ dlY * R * pi + I(dlY^2) + I(R^2) + I(pi^2), data = base_d)
media <- t.test(e_dif)
bp <- bptest(m_dif)
dwt <- dwtest(m_dif, alternative = "two.sided")
bg <- bgtest(m_dif, order = 4)
lb <- Box.test(e_dif, lag = 8, type = "Ljung-Box")
jb <- jarque.bera.test(e_dif)
reset <- resettest(m_dif)
supuestos <- data.frame(
Supuesto = c("Media cero", "Varianza constante", "Varianza constante",
"No autocorrelación", "No autocorrelación", "No autocorrelación",
"Exogeneidad", "Exogeneidad", "Normalidad", "Forma funcional"),
Prueba = c("t de la media de los residuos", "Breusch-Pagan", "White",
"Durbin-Watson", "Breusch-Godfrey (4 rezagos)", "Ljung-Box (8 rezagos)",
"Wu-Hausman (instrumentos rezagados)", "F de instrumentos débiles (Δln Y)",
"Jarque-Bera", "RESET de Ramsey"),
H0 = c("E(e) = 0", "Homocedasticidad", "Homocedasticidad",
"ρ = 0", "No autocorrelación hasta orden 4", "No autocorrelación hasta orden 8",
"Regresores exógenos", "Instrumentos débiles", "Normalidad", "Forma funcional correcta"),
Estadístico = round(c(media$statistic, bp$statistic, white$statistic,
dwt$statistic, bg$statistic, lb$statistic,
diag_iv["Wu-Hausman", "statistic"],
diag_iv["Weak instruments (dlY)", "statistic"],
jb$statistic, reset$statistic), 3),
`p-valor` = signif(c(media$p.value, bp$p.value, white$p.value,
dwt$p.value, bg$p.value, lb$p.value,
diag_iv["Wu-Hausman", "p-value"],
diag_iv["Weak instruments (dlY)", "p-value"],
jb$p.value, reset$p.value), 3),
check.names = FALSE
)
supuestos$`¿Se cumple? (5%)` <- c(
ifelse(supuestos$`p-valor`[1] > 0.05, "Sí", "No"),
ifelse(supuestos$`p-valor`[2:6] > 0.05, "Sí", "No"),
ifelse(supuestos$`p-valor`[7] > 0.05, "Sí", "No (ver nota)"),
ifelse(supuestos$Estadístico[8] >= 10, "Instrumentos fuertes", "Instrumentos débiles (F < 10)"),
ifelse(supuestos$`p-valor`[9:10] > 0.05, "Sí", "No"))
kable(supuestos, caption = "Evaluación de supuestos del modelo en diferencias")
| Supuesto | Prueba | H0 | Estadístico | p-valor | ¿Se cumple? (5%) |
|---|---|---|---|---|---|
| Media cero | t de la media de los residuos | E(e) = 0 | 0.000 | 1.00e+00 | Sí |
| Varianza constante | Breusch-Pagan | Homocedasticidad | 23.580 | 3.06e-05 | No |
| Varianza constante | White | Homocedasticidad | 69.266 | 0.00e+00 | No |
| No autocorrelación | Durbin-Watson | ρ = 0 | 2.468 | 1.21e-03 | No |
| No autocorrelación | Breusch-Godfrey (4 rezagos) | No autocorrelación hasta orden 4 | 36.484 | 2.00e-07 | No |
| No autocorrelación | Ljung-Box (8 rezagos) | No autocorrelación hasta orden 8 | 46.587 | 2.00e-07 | No |
| Exogeneidad | Wu-Hausman (instrumentos rezagados) | Regresores exógenos | 6.346 | 4.00e-04 | No (ver nota) |
| Exogeneidad | F de instrumentos débiles (Δln Y) | Instrumentos débiles | 3.450 | 9.47e-03 | Instrumentos débiles (F < 10) |
| Normalidad | Jarque-Bera | Normalidad | 638.894 | 0.00e+00 | No |
| Forma funcional | RESET de Ramsey | Forma funcional correcta | 0.589 | 5.56e-01 | Sí |
par(mfrow = c(2, 2), mar = c(4, 4.5, 3, 1), las = 1)
plot(base_d$fecha, e_dif, type = "l", col = "#1f4e79", xlab = "", ylab = "Residuo",
main = "Residuos en el tiempo")
abline(h = 0, lty = 2, col = "grey40")
plot(fitted(m_dif), e_dif^2, pch = 16, col = adjustcolor("#1f4e79", 0.5),
xlab = "Valor ajustado", ylab = "Residuo²", main = "Residuo² vs ajustados")
acf(e_dif, lag.max = 20, main = "FAC de los residuos")
qqnorm(e_dif, pch = 16, col = adjustcolor("#c0504d", 0.5), main = "QQ-plot normal")
qqline(e_dif)
par(mfrow = c(1, 1))
Interpretación.
par(mfrow = c(1, 2))
acf(e_dif, lag.max = 20, main = "FAC residuos")
pacf(e_dif, lag.max = 20, main = "FACP residuos")
par(mfrow = c(1, 1))
base_d |>
mutate(residuo = round(e_dif, 1)) |>
arrange(desc(abs(residuo))) |>
select(fecha, dlC, dlY, residuo) |>
head(6) |>
kable(caption = "Observaciones con mayores residuos")
| fecha | dlC | dlY | residuo |
|---|---|---|---|
| 1951.25 | -11.345716 | 5.884151 | -16.5 |
| 1950.75 | -11.990488 | 4.487893 | -15.9 |
| 1950.50 | 19.977871 | 6.199063 | 15.4 |
| 1952.75 | 13.823600 | 7.576102 | 7.8 |
| 1951.00 | 9.079835 | -0.694818 | 7.7 |
| 1974.75 | -6.610723 | -2.180629 | -7.0 |
La FACP de los residuos tiene dos valores significativos (rezago 1 negativo y rezago 2 positivo), lo que indica que el error sigue un esquema AR(2), no un AR(1). Además, los residuos más grandes se concentran en 1950–52: en la Guerra de Corea los hogares adelantaron compras por temor a la escasez y luego las recortaron, lo que genera un patrón de “sube y baja” en el crecimiento del consumo que se traduce en autocorrelación negativa.
Se comparan seis alternativas:
# MCG factibles con error AR(1): Cochrane-Orcutt (prais = FALSE) o Prais-Winsten (prais = TRUE)
fgls_ar1 <- function(modelo, prais = FALSE, tol = 1e-6, max_iter = 100) {
X <- model.matrix(modelo); y <- model.response(model.frame(modelo)); n <- length(y)
b <- coef(modelo); rho <- 0
for (i in seq_len(max_iter)) {
e <- as.numeric(y - X %*% b)
rho_nuevo <- sum(e[-1] * e[-n]) / sum(e[-n]^2)
ys <- y[-1] - rho_nuevo * y[-n]
Xs <- X[-1, , drop = FALSE] - rho_nuevo * X[-n, , drop = FALSE]
if (prais) {
ys <- c(sqrt(1 - rho_nuevo^2) * y[1], ys)
Xs <- rbind(sqrt(1 - rho_nuevo^2) * X[1, ], Xs)
}
colnames(Xs) <- colnames(X)
datos_t <- data.frame(ys = ys, Xs, check.names = FALSE)
ajuste <- lm(ys ~ . - 1, data = datos_t)
b <- coef(ajuste); names(b) <- colnames(X)
if (abs(rho_nuevo - rho) < tol) break
rho <- rho_nuevo
}
names(ajuste$coefficients) <- colnames(X)
list(modelo = ajuste, rho = rho_nuevo, iteraciones = i)
}
# 1. Newey-West
vc_nw <- NeweyWest(m_dif, prewhite = FALSE)
# 2 y 3. Cochrane-Orcutt y Prais-Winsten
co <- fgls_ar1(m_dif, prais = FALSE)
pw <- fgls_ar1(m_dif, prais = TRUE)
# 4. MCG con errores AR(2) (se renombra pi para evitar conflicto con la constante pi de R)
base_g <- base_d |> rename(infl = pi)
g_ar2 <- gls(dlC ~ dlY + R + infl, data = base_g, correlation = corARMA(p = 2, q = 0), method = "ML")
# 5. Modelo dinámico ADL
m_adl <- lm(dlC ~ dplyr::lag(dlC) + dplyr::lag(dlC, 2) + dlY + dplyr::lag(dlY) + R + pi, data = base_d)
# 6. Submuestra sin la Guerra de Corea
m_sub <- lm(dlC ~ dlY + R + pi, data = subset(base_d, fecha >= 1953))
# Tabla de coeficientes
coef_gls <- function(g, v) {
tt <- summary(g)$tTable; v <- ifelse(v == "pi", "infl", v)
est <- tt[v, 1]; se <- tt[v, 2]; p <- tt[v, 4]
paste0(formatC(est, format = "f", digits = 3),
ifelse(p < 0.01, "***", ifelse(p < 0.05, "**", ifelse(p < 0.1, "*", ""))),
" (", formatC(se, format = "f", digits = 3), ")")
}
vars_clave <- c("(Intercept)", "dlY", "R", "pi")
tab_corr <- tabla_modelos(list("MCO" = m_dif, "Newey-West" = m_dif,
"Cochrane-Orcutt" = co$modelo, "Prais-Winsten" = pw$modelo,
"ADL" = m_adl, "1953–2000" = m_sub),
vcovs = list(NULL, vc_nw, NULL, NULL, NULL, NULL))[vars_clave, ]
tab_corr <- cbind(tab_corr, "MCG AR(2)" = sapply(vars_clave, function(v) coef_gls(g_ar2, v)))
tab_corr <- tab_corr[, c("MCO", "Newey-West", "Cochrane-Orcutt", "Prais-Winsten", "MCG AR(2)", "ADL", "1953–2000")]
rownames(tab_corr) <- c("Constante", "Δln Y", "R", "π")
kable(tab_corr, caption = "Coeficientes bajo las distintas correcciones. Errores estándar entre paréntesis.")
| MCO | Newey-West | Cochrane-Orcutt | Prais-Winsten | MCG AR(2) | ADL | 1953–2000 | |
|---|---|---|---|---|---|---|---|
| Constante | 2.943*** (0.544) | 2.943*** (0.513) | 2.348*** (0.377) | 2.383*** (0.404) | 2.670*** (0.475) | 1.862*** (0.518) | 2.982*** (0.429) |
| Δln Y | 0.428*** (0.065) | 0.428*** (0.076) | 0.519*** (0.053) | 0.542*** (0.056) | 0.490*** (0.054) | 0.431*** (0.055) | 0.427*** (0.050) |
| R | -0.102 (0.097) | -0.102 (0.083) | 0.038 (0.066) | -0.022 (0.070) | -0.065 (0.084) | -0.063 (0.082) | -0.053 (0.082) |
| π | -0.193** (0.083) | -0.193*** (0.066) | -0.183*** (0.055) | -0.182*** (0.059) | -0.195*** (0.073) | -0.168** (0.067) | -0.217*** (0.064) |
Para cada alternativa se vuelve a probar la autocorrelación sobre los residuos del modelo corregido: Breusch-Godfrey en los modelos estimados por MCO y Ljung-Box sobre los residuos normalizados en el MCG por máxima verosimilitud.
rho_ar2 <- coef(g_ar2$modelStruct$corStruct, unconstrained = FALSE)
lb_gls <- Box.test(residuals(g_ar2, type = "normalized"), lag = 8, type = "Ljung-Box")
bg_p <- function(m) bgtest(m, order = 4)$p.value
verif <- data.frame(
Alternativa = c("MCO original", "Newey-West", "Cochrane-Orcutt", "Prais-Winsten",
"MCG AR(2)", "ADL", "Submuestra 1953–2000"),
`Estructura del error` = c("—", "No se modela (corrige solo los errores estándar)",
paste0("AR(1), ρ = ", round(co$rho, 3)),
paste0("AR(1), ρ = ", round(pw$rho, 3)),
paste0("AR(2), φ₁ = ", round(rho_ar2[1], 3), ", φ₂ = ", round(rho_ar2[2], 3)),
"Rezagos de Δln C y Δln Y", "—"),
Prueba = c("Breusch-Godfrey(4)", "—", "Breusch-Godfrey(4)", "Breusch-Godfrey(4)",
"Ljung-Box(8)", "Breusch-Godfrey(4)", "Breusch-Godfrey(4)"),
`p-valor` = signif(c(bg_p(m_dif), NA, bg_p(co$modelo), bg_p(pw$modelo),
lb_gls$p.value, bg_p(m_adl), bg_p(m_sub)), 3),
check.names = FALSE
)
verif$`¿Corrige? (5%)` <- ifelse(is.na(verif$`p-valor`), "Inferencia válida (HAC)",
ifelse(verif$`p-valor` > 0.05, "Sí", "No"))
kable(verif, caption = "Autocorrelación remanente después de cada corrección")
| Alternativa | Estructura del error | Prueba | p-valor | ¿Corrige? (5%) |
|---|---|---|---|---|
| MCO original | — | Breusch-Godfrey(4) | 2.00e-07 | No |
| Newey-West | No se modela (corrige solo los errores estándar) | — | NA | Inferencia válida (HAC) |
| Cochrane-Orcutt | AR(1), ρ = -0.359 | Breusch-Godfrey(4) | 3.63e-03 | No |
| Prais-Winsten | AR(1), ρ = -0.361 | Breusch-Godfrey(4) | 4.46e-03 | No |
| MCG AR(2) | AR(2), φ₁ = -0.305, φ₂ = 0.305 | Ljung-Box(8) | 1.56e-01 | Sí |
| ADL | Rezagos de Δln C y Δln Y | Breusch-Godfrey(4) | 6.91e-03 | No |
| Submuestra 1953–2000 | — | Breusch-Godfrey(4) | 6.37e-02 | Sí |
# Cochrane-Orcutt aplicado al modelo en logaritmos (niveles) del punto b
co_niv <- fgls_ar1(m_log, prais = FALSE)
c(rho = round(co_niv$rho, 4),
`p-valor BG(4)` = signif(bgtest(co_niv$modelo, order = 4)$p.value, 3))
## rho p-valor BG(4)
## 9.986e-01 4.820e-06
kable(tabla_modelos(list("Cochrane-Orcutt sobre ln C ~ ln Y + R + π" = co_niv$modelo), digitos = 4),
caption = "Cochrane-Orcutt sobre el modelo en niveles")
| Cochrane-Orcutt sobre ln C ~ ln Y + R + π | |
|---|---|
| (Intercept) | 7.9474*** (1.0200) |
| lY | 0.4457*** (0.0662) |
| R | 0.0001 (0.0008) |
| pi | 0.0006 (0.0008) |
Resultados de las correcciones.
Robustez. En todas las alternativas los resultados económicos se mantienen: la propensión marginal a consumir de corto plazo está entre 0.43 y 0.55 y es muy significativa; la inflación tiene un efecto negativo y significativo de entre −0.17 y −0.22; y la tasa de interés real no es significativa en ninguna especificación.
Conclusión del punto d. La autocorrelación del modelo en diferencias se corrige con MCG suponiendo errores AR(2), y su origen está identificado: los datos de la Guerra de Corea (1950–52). Las correcciones AR(1) clásicas (Cochrane-Orcutt, Prais-Winsten) no la resuelven porque suponen una estructura equivocada. En el modelo en niveles la autocorrelación no se puede corregir con estos métodos, porque es síntoma de una regresión espuria entre series I(1) no cointegradas, no de un problema del término de error.
corr_grid <- function(lista, k = k_acf) {
par(mfrow = c(length(lista), 2), mar = c(4, 4, 3.2, 1), mgp = c(2.2, 0.7, 0),
las = 1, cex.main = 1.05)
for (nm in names(lista)) {
x <- as.numeric(lista[[nm]])
acf(x, lag.max = k, main = paste("FAC:", nm), xlab = "Rezago", ylab = "",
col = "#1f4e79", lwd = 2)
pacf(x, lag.max = k, main = paste("FACP:", nm), xlab = "Rezago", ylab = "",
col = "#c0504d", lwd = 2)
}
par(mfrow = c(1, 1))
}
lista_niv <- list("ln C" = base_ts[, "lC"], "ln Y" = base_ts[, "lY"],
"R" = base_ts[, "R"], "π" = base_ts[, "pi"])
lista_dif <- list("Δln C" = dif_ts[, "lC"], "Δln Y" = dif_ts[, "lY"],
"ΔR" = dif_ts[, "R"], "Δπ" = dif_ts[, "pi"])
# ---- Guarda todas las gráficas en PNG en la carpeta "Graficas" ----
dir_g <- file.path(ruta, "Graficas")
dir.create(dir_g, showWarnings = FALSE)
azul <- "#1f4e79"; rojo <- "#c0504d"
# Correlogramas: FAC y FACP de varias series en una sola figura
corr_grid <- function(lista, k = k_acf) {
par(mfrow = c(length(lista), 2), mar = c(4, 4, 3.2, 1), mgp = c(2.2, 0.7, 0),
las = 1, cex.main = 1.05)
for (nm in names(lista)) {
x <- as.numeric(lista[[nm]])
acf(x, lag.max = k, main = paste("FAC:", nm), xlab = "Rezago", ylab = "",
col = azul, lwd = 2)
pacf(x, lag.max = k, main = paste("FACP:", nm), xlab = "Rezago", ylab = "",
col = rojo, lwd = 2)
}
par(mfrow = c(1, 1))
}
lista_niv <- list("ln C" = base_ts[, "lC"], "ln Y" = base_ts[, "lY"],
"R" = base_ts[, "R"], "π" = base_ts[, "pi"])
lista_dif <- list("Δln C" = dif_ts[, "lC"], "Δln Y" = dif_ts[, "lY"],
"ΔR" = dif_ts[, "R"], "Δπ" = dif_ts[, "pi"])
# Cada gráfica es una función
g_niveles <- function() {
par(mfrow = c(5, 1), mar = c(2.2, 4.5, 1.8, 1), oma = c(1, 0, 4.5, 0), las = 1)
panel(base_ts[, "C"], "Consumo real (C)", azul, "Miles de millones USD", recesion = TRUE)
mtext(hechos$nombre, side = 3, at = (hechos$ini + hechos$fin) / 2,
line = hechos$altura + 1.6, cex = 0.7, padj = 0)
panel(base_ts[, "Y"], "Ingreso disponible real (Y)", rojo, "Miles de millones USD", recesion = TRUE)
panel(base_ts[, "R"], "Tasa de interés real (R)", azul, "%")
panel(base_ts[, "pi"], "Inflación IPC (π)", rojo, "%")
panel(datos$cpi_u[!is.na(datos$pi_calc)], "Índice de precios al consumidor (IPC)", azul, "Índice")
}
g_diferencias <- function() {
par(mfrow = c(4, 1), mar = c(2.2, 4.5, 1.8, 1), oma = c(1, 0, 4.5, 0), las = 1)
panel_dif(400 * dif_ts[, "lC"], "Crecimiento del consumo real (400 Δln C)", azul, "% anual", recesion = TRUE)
mtext(hechos$nombre, side = 3, at = (hechos$ini + hechos$fin) / 2,
line = hechos$altura + 1.6, cex = 0.7, padj = 0)
panel_dif(400 * dif_ts[, "lY"], "Crecimiento del ingreso disponible real (400 Δln Y)", rojo, "% anual", recesion = TRUE)
panel_dif(dif_ts[, "R"], "Cambio en la tasa de interés real (ΔR)", azul, "p.p.")
panel_dif(dif_ts[, "pi"], "Cambio en la inflación (Δπ)", rojo, "p.p.")
}
g_corr_niveles <- function() corr_grid(lista_niv)
g_corr_diferencias <- function() corr_grid(lista_dif)
g_residuos_niveles <- function() {
par(mar = c(3, 4.5, 1.5, 1), las = 1)
plot(base$fecha, resid(m_log), type = "n", xlab = "", ylab = "Residuo")
fondo(); abline(h = 0, lty = 2, col = "grey40")
lines(base$fecha, resid(m_log), col = azul, lwd = 1.6); box()
}
g_diagnostico <- function() {
par(mfrow = c(3, 2), mar = c(4, 4.5, 2.5, 1), las = 1, cex.main = 1)
plot(base_d$fecha, e_dif, type = "n", xlab = "", ylab = "Residuo", main = "Residuos en el tiempo")
fondo(); abline(h = 0, lty = 2, col = "grey40"); lines(base_d$fecha, e_dif, col = azul); box()
plot(fitted(m_dif), e_dif^2, pch = 16, col = adjustcolor(azul, 0.5),
xlab = "Valor ajustado", ylab = "Residuo²", main = "Residuo² frente a valores ajustados")
acf(e_dif, lag.max = 20, main = "FAC de los residuos", xlab = "Rezago", ylab = "", col = azul, lwd = 2)
pacf(e_dif, lag.max = 20, main = "FACP de los residuos", xlab = "Rezago", ylab = "", col = rojo, lwd = 2)
hist(e_dif, breaks = 30, freq = FALSE, col = "grey85", border = "white",
main = "Histograma frente a la normal", xlab = "Residuo", ylab = "Densidad")
curve(dnorm(x, mean(e_dif), sd(e_dif)), add = TRUE, lwd = 2, col = rojo)
qqnorm(e_dif, pch = 16, col = adjustcolor(rojo, 0.5), main = "Gráfico cuantil-cuantil normal",
xlab = "Cuantiles teóricos", ylab = "Cuantiles muestrales")
qqline(e_dif)
}
# Nombre del archivo y tamaño c(ancho, alto) en pulgadas
graficas <- list(
Niveles = list(g_niveles, c(7.5, 10.5)),
Diferencias = list(g_diferencias, c(7.5, 9)),
Correlogramas_niveles = list(g_corr_niveles, c(7.5, 10)),
Correlogramas_diferencias = list(g_corr_diferencias, c(7.5, 10)),
Residuos_niveles = list(g_residuos_niveles, c(7.5, 3.6)),
Diagnostico_residuos = list(g_diagnostico, c(7.5, 9))
)
# Un PNG por gráfica a 300 dpi (type = "cairo" para que salgan π y Δ)
for (nm in names(graficas)) {
png(file.path(dir_g, paste0(nm, ".png")),
width = graficas[[nm]][[2]][1], height = graficas[[nm]][[2]][2],
units = "in", res = 300, type = "cairo")
graficas[[nm]][[1]]()
dev.off()
}
list.files(dir_g, pattern = "\\.png$")
## [1] "Correlogramas_diferencias.png" "Correlogramas_niveles.png"
## [3] "Diagnostico_residuos.png" "Diferencias.png"
## [5] "Niveles.png" "Residuos_niveles.png"