Question 1

1. Write a R function that generates (simulates) n observations from the sequence

yt  = a + 6yt − 1 + εt . t = 1. 2. ===. n

starting with y0  = 0, where εt  is a discrete random variable that takes the value 1 with prob .5 and the

value -1 with prob .5.

#  write  your  code  here

2. Write another function that does the same problem, but this time under the assumption that εt  is N(0,1).

#  write  your  code  here

3.  Use these two functions to generate 500 observations on each process. Assume that a = =5 and 6 = =7.

#  write  your  code  here

set.seed(1)

4.  Use the ggplot2 package to display the two time series you have generated on the same plot.

#  write  your  code  here

5.  Use the acf function in R to calculate and plot the first 10 autocorrelations of each series.

#  write  your  code  here

Question 2

Suppose that in the population, y , the variable of interest, follows a N(u,72 ) distribution, where u is the mean and 72  is the variance. Suppose that you have n iid observations on y , yi , where i goes from 1 to n.

1. Write down the model of yi  as a regression.

2.  Under the assumption that u = 2 and 72  = 4, write down code for generating n = 200 iid observations from the population. Store the generated data in a data.frame called datdf.

#  write  your  code  here

set.seed(11)

3.  Now use the ucminf function in the ucminf package to minimize the cost function (negative of the log-likelihood) over 9 = (u. 7).  In calculating the log-likelihod assume that the density of yi  is the normal density (R function dnorm). Then use the numDeriv package to calculate the inverse of the hessian matrix at the cost-minimizing value of 9 .