Modelos ARDL - Parte II - Pruebas Bounds

[Nota: Para obtener una actualizacin importante de este post, relativa a EViews 9 , ver mi post
2015, aqu .]
Bueno, al final me tengo hecho! Algunos de estos cargos toman ms tiempo para preparar lo que
podra pensar. La primera parte de esta discusin fue cubierto en un (especie de!) post
reciente , en el que me di una breve descripcin de Autoregresivo Lag distribuido (ARDL)
modelos, junto con un poco de perspectiva histrica. Ahora es el momento para nosotros para
llegar a trabajar y ver cmo han llegado estos modelos a jugar un papel muy importante
recientemente en el modelado de datos de series de tiempo no estacionarias.
En particular, vamos a ver cmo se utilizan para implementar los llamados "Bounds pruebas", para
ver si las relaciones de largo plazo estn presentes cuando tenemos un grupo de series de tiempo,
algunos de los cuales pueden ser estacionaria, mientras que otros no lo son. Un ejemplo prctico
detallado, usando EViews, est incluido.
En primer lugar, recordemos que la forma bsica de un modelo de regresin ARDL
es:
y t = 0 + 1 y t-1 + ....... + k y tp + 0 x t + 1 x t- 1 + 2 x t-2 + ......... +
q x tq + t , (1) donde t es una "perturbacin" al azar plazo, lo que vamos a suponer es "bien
comportado "en el sentido habitual. En particular, ser en serie independiente.

Vamos a modificar este modelo un tanto para nuestros propsitos aqu. En concreto, vamos a
trabajar con una mezcla de las diferencias y niveles de los datos. Las razones de esto se pondrn
de manifiesto a medida que avanzamos. Supongamos que tenemos un conjunto de variables de
series de tiempo, y queremos modelar la relacin entre ellos, teniendo en cuenta las races y / o
cointegracin unitarios asociados con los datos. En primer lugar, tenga en cuenta que hay tres
situaciones sencillas que vamos a poner a un lado, ya que pueden ser tratados de forma estndar:
1.
Sabemos que todas las series son I (0), y por lo tanto estacionaria. En este caso,
simplemente podemos modelar los datos en sus niveles, utilizando la estimacin MCO, por
ejemplo.
2.
Sabemos que todas las series estn integradas del mismo orden ( por ejemplo , I
(1)), pero estn no cointegradas.En este caso, podemos simplemente (apropiadamente)
Diferencia de cada serie, y estimar un modelo de regresin estndar utilizando MCO.
3.
Sabemos que todas las series estn integradas del mismo orden, y ellos estn
cointegradas . En este caso, se puede estimar dos tipos de modelos: (i) un modelo de
regresin MCO utilizando los niveles de los datos. Esto proporcionar la relacin
equilibrante de largo plazo entre las variables. (Ii) Un modelo de correccin de errores
(ECM), que se estima por MCO. Este modelo representar la dinmica de la relacin entre
las variables de corto plazo.
1.
Ahora,
volvamos
a
la
situacin
ms
complicada
se
mencion
anteriormente. Algunas de las variables en cuestinpuede ser estacionaria, algunos puede
ser I (1) o incluso integrado fraccional, y tambin hay la posibilidad de cointegracin
entre algunos de los I (1) variables. En otras palabras, las cosas no son tan "clara", como
en las tres situaciones mencionadas anteriormente.
Qu hacemos en estos casos si queremos modelar los datos adecuadamente y extraer relaciones
tanto a largo plazo como a corto plazo? Aqu es donde el modelo ARDL entra en escena. La

metodologa ARDL / Pruebas lmites de Pesaran y Shin (1999) y Pesaran et al . (2001) presenta
una serie de caractersticas que muchos investigadores se sienten darle algunas ventajas sobre las
pruebas
de
cointegracin
convencional. Por
ejemplo:

Se puede utilizar con una mezcla de I (0) y I (1) de datos.

Se trata simplemente de una sola ecuacin puesta a punto, por lo que es fcil de aplicar
e interpretar.

Diferentes variables se pueden asignar diferentes longitudes retardados al entrar en el

modelo.
Necesitamos una hoja de ruta para ayudarnos. Estos son los pasos bsicos que vamos a seguir (con
los detalles que se aaden a continuacin):
1.
Asegrese de que ninguna de las variables son I (2), ya que esos datos invalidar
la metodologa.
2.
Formular un modelo "sin restricciones" de correccin de errores (ECM). Este ser
un tipo particular de modelo ARDL.
3.
Determinar la estructura de rezagos apropiado para el modelo en el paso 2.
4.
Asegrese de que los errores de este modelo son en serie independiente.
5.
Asegrese de que el modelo es "dinmicamente estable".
6.
Realizar un "Test Lmites" para ver si hay evidencia de una relacin de largo plazo
entre las variables.
7.
Si el resultado en el paso 6 es positivo, estimar un modelo de "niveles" a largo
plazo, as como una ECM separada "restringida".
8.
Utilizar los resultados de los modelos estimados en el paso 7 para medir a corto
plazo los efectos dinmicos, y el largo plazo de equilibrar la relacin entre las variables.
Podemos ver en la forma del modelo ARDL genrico dado en la ecuacin (1) anterior, que se
caracterizan por tener tales modelos rezagos de la variable dependiente, as como rezagos (y tal
vez el valor actual) de otras variables, como los regresores . Supongamos que hay tres variables
que estamos interesados en el modelado: una variable dependiente, y, y otras dos variables
explicativas, x 1 y x 2 . Ms en general, habr (k + 1) las variables - una variable dependiente, y k
otras variables.
Antes de empezar, vamos a recordar lo que una convencional ECM para datos cointegrado
parece. Sera de la forma:
Dy t = 0 + i Dy ti + j ? x 1t-j + k Dx 2t-k + z t-1 +
e t ; (2) A continuacin, z, el "trmino de correccin de errores", es la serie de residuos MCO de
largo plazo "cointegracin regresin",
y t = 0 + 1 x 1t + 2 x 2t + v t
; (3) Los rangos
de la suma en (2) son de 1 a p, q 0 a 1 y 0 a q 2 respectivamente. Ahora, de vuelta a nuestro
propio
anlisis-

Paso
1:
Podemos utilizar el ADF y KPSS pruebas para comprobar que ninguno de la serie que estamos
trabajando son I (2). Paso 2 :
Formular el siguiente modelo:
Dy t = 0 + i Dy ti + j ? x 1t-j + k Dx 2t-k + 0 y t-1 + 1 x 1t-1 + 2 x 2t-1 + e t ; (4) Tenga
en cuenta que esto es casi como una ECM tradicional. La diferencia es que ahora hemos
reemplazado el trmino de correccin de errores, z t-1 con los trminos y t-1 , x 1t-1 y x 2t-1 . A
partir de (3), podemos ver que la serie de residuos rezagado sera z t-1 = (y t-1 - un 0 - un 1 x 1t-1 un 2 x 2t-1 ), donde los a son los OLS estimaciones de la dcada de . Por lo tanto, lo que estamos
haciendo en la ecuacin (4) es incluida en los mismos niveles rezagados como lo hacemos en un
ECM regular, pero estamosno restringir sus coeficientes. Es por esto que podramos llamar la
ecuacin (4) un "ECM sin restricciones" , o un "ECM sin restricciones". Pesaran et al . (2001)
llaman
a
esto
una
"ECM
condicional". Paso
3:

Los rangos de la suma de los distintos trminos en (4) son de 1 a p, q 0 a 1 y 0 a

q 2 respectively.We necesitan seleccionar los valores adecuados para los desfases mximos, p,
q 1 y q 2 . Adems, tenga en cuenta que los "cero rezagos" en la? X 1 y? x 2 no necesariamente
pueden ser necesarios. Por lo general, estos desfases mximos se determinan mediante el uso de
uno o ms de los "criterios de informacin" - AIC, SC (BIC), HQ, etc . Estos criterios se basan en un
valor alto de log-verosimilitud, con una "pena" por la inclusin de ms retrasos para lograrlo. La
forma de la pena vara de un criterio a otro. Cada criterio se inicia con -2log (L), y luego castiga,
por lo que el ms pequeo el valor de un criterio de informacin mejor ser el resultado. Yo
generalmente uso el criterio de Schwarz (Bayes) (SC), ya que es una constante -selector de
modelos. Algunos cuidados tiene que tener cuidado de no "sobre-seleccionar" los retrasos
mximos, y por lo general tambin prestar un poco de atencin a la (aparente) significacin de
los coeficientes del modelo. Paso 4 : Un supuesto clave en la metodologa ARDL / Pruebas lmites
de Pesaran et al . (2001) es que los errores de la ecuacin (4) deben ser en serie
independiente. Como esos autores (p.308), este requisito tambin puede ser influyente en
nuestra eleccin final de los retardos mximos de las variables del modelo. Una vez una versin
aparentemente adecuada de (4) se ha estimado, se debe utilizar la prueba LM para probar la
hiptesis nula de que los errores son en serie independiente, en contra de la hiptesis alternativa
de que los errores son (tampoco) AR (m) o MA (m), para m = 1, 2, 3, ...., etc.

Paso
5:
Tenemos un modelo con una estructura autorregresiva, as que tenemos que estar seguros de que
el modelo es "dinmicamente estable". Para ms detalles de lo que esto significa, ver mi post
reciente, Cundo es un modelo dinmicamente estable Autoregresivo? Lo que tenemos que
hacer es comprobar que todas las races inversas de la ecuacin caracterstica asociada con
nuestro modelo se encuentran estrictamente dentro del crculo unitario. Ese puesto mo reciente
mostr cmo engaar EViews para que nos d la informacin que queremos con el fin de
comprobar que se cumple esta condicin. No voy a repetir eso aqu. Paso 6 : Ahora estamos listos
para llevar a cabo la "Prueba de Lmites"!Aqu est la ecuacin (4), de nuevo:
Dy t = 0 +

 i Dy ti + j ? x 1t-j + k Dx 2t-k + 0 y t-1 + 1 x 1t-1 + 2 x 2t-1 + e t ; (4) Todo lo que vamos

a hacer es preformas una "F-test" de la hiptesis, H 0 : 0 = 1 = 2 = 0; frente a la alternativa
de que H 0 no es cierto. Bastante simple - pero por qu estamos haciendo esto igual que en las
pruebas de cointegracin convencional, estamos probando para la ausencia de un largo plazo
relacin de equilibrio entre las variables. Esta ausencia coincide con coeficientes cero para y t-1 ,
x 1t-1 y x 2t-1 en la ecuacin (4). Un rechazo de H 0implica que tenemos una relacin de largo
plazo. Hay una dificultad prctica que tiene que ser abordado cuando realizamos la prueba F. La
distribucin de la estadstica de prueba es totalmente no-estndar (y tambin depende de un
"parmetro de ruido", el rango de cointegracin del sistema), incluso en el caso asinttica donde
tenemos una infinitamente grande tamao de la muestra. (Esto es algo parecido a la situacin
con la prueba de Wald cuando probemos para Granger no causalidad en la presencia de datos no
estacionarios. En ese caso, el problema se resuelve mediante el uso de la Toda-Yamamoto (1995)
procedimiento, para asegurar que la estadstica de Wald asinttica chi-cuadrado, como se
discute aqu .) Exact valores crticos para la prueba F no estn disponibles para una mezcla
arbitraria de I (0) y I (1) variables. Sin embargo, Pesaran et al . (2001) de suministro
de lmites en los valores crticos para la asintticadistribucin del estadstico F. Por diversas
situaciones ( por ejemplo ., diferente nmero de variables, (k + 1)), dan lmites inferior y
superior de los valores crticos. En cada caso, el lmite inferior se basa en la suposicin de que
todas las variables son I (0), y el lmite superior se basa en la suposicin de que todas las
variables son I (1). De hecho, la verdad puede estar en algn lugar entre estos dos extremos
polares. Si el computada F-estadstica cae por debajo del lmite inferior llegaramos a la
conclusin de que las variables son I (0), por lo que no cointegracin es posible, por definicin. Si
la estadstica F excede el lmite superior, llegamos a la conclusin de que tenemos
cointegracin. Por ltimo, si el estadstico F se encuentra entre los lmites, la prueba no es
concluyente. Te recuerda de la antigua prueba de Durbin-Watson para la independencia de
serie? ! Debe Como comprobacin cruzada, que debe tambin realizar un "Lmites t-test" de H 0 :
0 = 0, contra H 1 : 0 <0. Si el estadstico t para y t-1 en la ecuacin (4) es mayor que el "I (1)
unido" tabulados por Pesaran et al. (2001; pp.303-304), esto permite concluir que existe una
relacin de largo plazo entre las variables. Si la estadstica t es menor que el "I (0), vinculado",
nos gustara concluir que los datos son estacionarias. Paso 7 : Si se asume que los lmites de
prueba lleva a la conclusin de cointegracin, se puede estimar de manera significativa el plazo
ejecutar relacin de equilibrio entre las variables:
y t = 0 + 1 x 1t + 2 x 2t +
v t ; (5) , as como el ECM habitual:
Dy t = 0 + i Dy ti + j ? x 1t-j + k Dx 2t-k +
z t-1 + e t ; (6) donde z t-1 = (y t-1 -a 0 - un 1 x 1t-1 - un 2 x 2t-1 ), y las a son las estimaciones
MCO de la dcada de en (5). Paso 8 : Podemos "extraer" efectos de largo plazo de la ECM sin
restricciones. Mirando hacia atrs en la ecuacin (4), y observando que en un equilibrio a largo
plazo, Dy t = 0,? x 1t = Dx 2t = 0, vemos que los coeficientes de largo plazo para x 1 y x 2 son ( 1 / 0 ) y - ( 2 / 0 ), respectivamente. Un ejemplo: Ahora estamos listos para ver un
ejemplo muy simple emprico. Voy a utilizar los datos para EE.UU. y los precios europeos del gas
natural que he hecho disponible como un segundo ejemplo en mi post,Pruebas de Causalidad de
Granger . Yo no fui a travs de los detalles de las pruebas de causalidad de Granger con ese
conjunto de datos, pero ya he mencionado, cerca de la final de la entrada, y el archivo de EViews
(que inclua un objeto "Read_Me" con comentarios sobre los resultados) es all en el cdigo de la
pgina de este blog (de fecha 29 de abril de 2011). Si uno mira hacia atrs en ese archivo antes,
usted encontrar que us la Toda-Yamamoto procedimiento (1995) las pruebas para determinar
que no es causalidad de Granger que va desde los EE.UU. serie de la serie europea, pero
noviceversa . Un nuevo archivo EViews que utiliza los mismos datos para nuestro modelo ARDL
est disponible en el cdigo de la pgina, debajo de la fecha para el puesto actual. Los datos
para el dos de series de tiempo que va a utilizar tambin estn disponibles en
la informacin pgina para este blog. Los datos son mensuales, a partir de 1995 (01) y 2011
(03). En trminos de la notacin que se introdujo antes, tenemos (k + 1) = 2 variables, por lo que
k = 1 cuando se trata de la prueba de lmites. He aqu un grfico de los datos que va a utilizar
( recuerde que usted puede ampliar la mayora de estos insertos haciendo clic sobre ellos ):

Para completar el Paso 1 , tenemos que comprobar que ninguno de nuestra serie de tiempo son I
(2). La aplicacin de la prueba ADF a los niveles de euros y los Estados Unidos, los p-valores son
0,53 y 0,10 respectivamente. La aplicacin de la prueba para las primeras diferencias de la serie,
los valores de p son ambos 0.00. (Los retardados longitudes para las regresiones ADF fueron
elegidos mediante el criterio de Schwarz, SC.) Es evidente que ni la serie es I (2). La aplicacin
de la prueba KPSS rechazamos la hiptesis nula de estacionariedad, incluso en el nivel de
significacin del 1%, tanto para EUR y Estados Unidos, pero no pueden rechazar la hiptesis nula
de que (1) en contra de I (2). El p-valor del 10% para la prueba ADF de I (1) vs . I (0) para la serie
euros puede dejarnos preguntndose si esa serie es estacionaria, o no. Usted sabr que
"conflictos" aparentes entre los resultados de las pruebas de este tipo son muy comunes en la
prctica. Este es un gran ejemplo de cmo la metodologa ARDL / Pruebas lmites nos puede
ayudar. Para que las pruebas de cointegracin estndar (como la que de Engle y Granger, o
Johansen) tener ningn sentido, tenemos que estar muy seguro de que todas las series estn
integradas del mismo orden . En este caso, es posible que no se sienta totalmente seguro de que
este es el caso.Paso 2 es sencillo. Dado que la prueba de causalidad de Granger asociada a mi
post anterior sugiere que existe la causalidad de los Estados Unidos de euros (pero
no viceversa ), EUR va a ser la variable dependiente en mi ECM sin
restricciones:
EUR t = 0 + i EUR ti + j US tj + 0 euros t-1 + 1 EEUU t-1 +
e t ; (5) Es el paso 2 de en medio! Para implementar los criterios de informacin para la
seleccin de los retardados longitudes de manera eficiente en el tiempo, que "enga" EViews en
proporcionar un montn de ellos a la vez haciendo lo siguiente. Calcul un modelo VAR 1ecuacin para EUR t y yo entregue la intercepcin, EUR t-1 , US t-1 , y un nmero fijo de rezagos
de US t como regresores exgenos. Por ejemplo, cuando el nmero fijo de rezagos en US t era
cero,
as
es
como
he
especificado
el
VAR:

Despus de estimar este modelo, entonces me decid VIEW, ESTRUCTURA GAL, GAL CRITERIOS DE
LONGITUD:

Luego repet esto aadiendo US

resultados:

t-1

a la lista de variables exgenas, y tengo los siguientes

Proced de esta manera con rezagos adicionales de US t en la lista "exgena". Tambin consider
casos como:

que dio lugar a los siguientes valores de los criterios de informacin:

En cuanto a los valores de SC en estos tres cuadros de resultados, vemos que se sugiere un
retraso mximo de 4 para EUR t. (Los valores de AIC indican que 8 rezagos de EUR t pueden ser
apropiados, pero un poco de experimentacin con esto no fue fructfera.)
Prcticamente no hay diferencia entre los valores de CL para el caso en que el modelo incluye
slo US t como regresor (0.8714), y el caso en que slo US t-1 se incluye (0,8718). Para obtener
algunas dinmicas en el modelo, voy a ir con el ltimo caso.
Con el paso 3 ha completado, y con esta especificacin retraso en mente, vamos a ver ahora la
ECM sin restricciones estimado:

Paso 4 implica la comprobacin de que los errores de este modelo son en serie
independiente. OPININ Seleccin, DIAGNSTICO RESIDUALES, TEST LM correlacin serial, me
sale el siguiente resultado:
m LM p-valor
1
2
3
4

0,079 0,779
2.878 0.237
5.380 0.146
11,753
0,019

Bien, tenemos un problema con la correlacin serial! Para tratar con l, experiment con uno o
dos retardos adicionales de la variable dependiente como regresores, y termin con la siguiente
especificacin para la ECM sin restricciones:

Los resultados de la independencia de serie ahora se ven mucho ms satisfactorio:

m LM p-valor
1
2
3
4
5
6
7
8

0,013 0,911
3.337 0.189
5.183 0.159
7.989 0.092
8.473 0.132
11,023 0,088
12,270 0,092
12,334 0,137

A continuacin, Paso 5 implica la comprobacin de la estabilidad dinmica de este modelo

ARDL. Aqu estn las races inversas de la ecuacin caracterstica asociada:

Todo parece estar bien - estas races son todos dentro del crculo unitario.
Antes de proceder a la Prueba de lmites, vamos a echar un vistazo a la "forma" de nuestra ECM
sin restricciones. La trama "Real / Amueblada / Residuales" se ve as:

Cuando "descifrar" estos resultados, y miramos el ajuste del modelo en trminos de explicar
el nivel de s mismo de euros, en lugar de EUR, las cosas se ven bastante bien:

Ahora estamos listos para la Etapa 6 - la propia prueba de lmites. Queremos probar si los
coeficientes de ambas euros (-1) y Estados Unidos (-1) son cero en nuestro modelo estimado
(repetido a continuacin):

La prueba F asociado se obtiene como sigue:

Con el resultado:

El valor de nuestros F-estadstica es 5.827, y tenemos (k + 1) = 2 variables (EUR y Estados Unidos)

en nuestro modelo. As que, cuando vamos a las tablas de prueba Lmites de valores crticos,
tenemos k = 1.
Tabla CI (iii) en p.300 de Pesaran et al . (2001) es la tabla correspondiente para que podamos
utilizar aqu. No nos hemos limitado la intercepcin de nuestro modelo, y no hay trmino de
tendencia lineal incluido en el ECM. Los lmites inferior y superior para la estadstica F-test en el
10%, 5% y 1% de significacin son [4,04, 4,78], [4,94, 5,73], y [6,84, 7,84] respectivamente.

A medida que el valor de nuestro F-estadstica excede el lmite superior en el nivel de

significacin del 5%, se puede concluir que existen pruebas de una relacin de largo plazo entre
las dos series de tiempo (en este nivel de importancia o mayor).
Adems, el estadstico t de euros (-1) es -2,926. Cuando nos fijamos en la Tabla CII (iii) en p.303
de Pesaran et al .(2001), nos encontramos con que el I (0) y yo (1) lmites para el estadstico t en
el 10%, 5%, y 1% de significacin son [-2,57, -2,91], [-2,86, -3,22], y [-3.43, -3.82]
respectivamente. Por lo menos en el nivel de significacin del 10%, este resultado refuerza
nuestra conclusin de que existe una relacin de largo plazo entre EUR y USA.
As pues, aqu estamos en el paso 7 y el paso 8 . Recordando nuestra ECM sin restricciones
preferido:

vemos que el multiplicador de largo plazo entre los Estados Unidos y el EUR es - (0.047134 / (0.030804)) = 1,53. En el largo plazo, un aumento de 1 unidad en Estados Unidos conducir a un
aumento de 1,53 unidades en euros.
Si estimamos el modelo de niveles,
construimos la serie residuales,

{z t },

EUR t = 0 + 1 EEUU t + v t
, por MCO, y
deacuerdo a una normal (restringido) ECM:

Observe que el coeficiente del trmino de correccin de errores, z t-1 , es negativo y muy
significativo. Esto es lo que cabra esperar si existe cointegracin entre EUR y USA. La magnitud
de este coeficiente implica que casi el 3% de cualquier desequilibrio entre EUR y USA se corrige
dentro de un perodo (un mes). Este ECM final es dinmicamente estable:

Como ninguna de las races se encuentran en el eje X (real), est claro que tenemos tres pares
conjugados complejos de races. En consecuencia, la dinmica de corto plazo asociados con el
modelo son bastante complicados. Esto se puede ver si tenemos en cuenta la funcin de
respuesta de impulso asociado con un "shock" de una (muestra) desviacin estndar:

Por ltimo, el ajuste dentro de la muestra (en trminos de los niveles de euros) es
excepcionalmente bueno:

De hecho, las correlaciones simples entre el "ajustado" series de euros de los de libre disposicin
y regulares de ECM de euros y son cada 0.994, y la correlacin entre las dos series equipada es
0.9999.
As que, ah lo tenemos - la prueba sale con un modelo ARDL.