Neciosup Obando, Aurora RosaCastillo Yglesias, Elvis Edgardo8/3/2023 18/3/2023 12023https://hdl.handle.net/20.500.14414/18557The main objective of this research work is to determine the vector autoregressive _x000D_ models (VAR) that best predicts the unemployment rate, GDP and CPI in Peru. With the help _x000D_ of the R programming language applied in RStudio. The methodology of VAR models was used, _x000D_ where the analysis was consolidated in graphs, tests such as Dickey Fuller, Phillips Perron and _x000D_ the Kwiatkowski-Phillips-Schmidt-Shin (KPSS) test to determine if a time series is stationary _x000D_ around a trend, for the validation of the model it was incurred to apply the three basic tests _x000D_ through which a model must pass (VAR), the Jarque-Bera normality test, No Autocorrelation _x000D_ and the Heteroskedasticity test.In the process of searching for a VAR model, a residual _x000D_ normality problem was incurred since the Jarque-Bera test showed a p – value = 0.00, _x000D_ consequently, impulse variables were applied to correct the normality problems of the residuals, In this way, a VAR(5) model was obtained, which was determined through the Akaike and Schwarz criteria, therefore the forecast was madeEl presente trabajo de investigación tiene como objetivo principal, determinar un modelo _x000D_ de Vectores Autorregresivos (VAR), que mejor pronostique la tasa de desempleo, PBI e IPC en el Perú, con ayuda del Lenguaje de programación R aplicado en RStudio. Se usó la metodología VAR, cuyo análisis se afianzó en gráficos, pruebas como la de Dickey Fuller, Phillips Perrón y La prueba Kwiatkowski-Phillips-Schmidt-Shin (KPSS) para determinar si una serie de tiempo es estacionaria alrededor de una tendencia. Para la validación del modelo de vectores autorregresivos (VAR), se incurrió en la aplicación de las tres pruebas básicas por las que debe pasar este modelo, como son: la prueba de normalidad de Jarque-Bera, la prueba de No Autocorrelación y la prueba de Homocedasticidad. En el proceso de la búsqueda del mejor modelo VAR, se presentó un problema de no normalidad en sus residuos, ya que la prueba de Jarque-Bera, mostró una probabilidad menor que 0.05 (p-valor = 0.00), por lo que se aplicó la técnica de inclusión de variables de dummy para corregir la no normalidad de los residuos. A través de los criterios de información de criterios de Akaike y Schwarz, se determinó que el mejor modelo era un VAR (5), con el cual, se realizó el pronósticospainfo:eu-repo/semantics/openAccessModelo Vectorial AutorregresivoPBIIPCTDinfo:eu-repo/semantics/bachelorThesis