Академический Документы
Профессиональный Документы
Культура Документы
Castillo Vera
Magister de la PUCP
APUNTES DE ECONOMETRA
Qu es econometra? Es la medicin de las relaciones de las variables econmicas.
Es la aplicacin de tcnicas estadsticas a la economa.
La econometra es usada para probar teoras en economa, cuantificar el efecto de los
cambios en las condiciones econmicas y, pronosticar el valor futuro de las variables
econmicas.
Pasos a seguir en la formulacin de un modelo economtrico.
1.-Declaracin general del problema. Esto es la formulacin de un modelo terico. El
modelo es poco probable que sea capaz de capturar todo lo relevante del mundo real
del fenmeno, pero debe presentar una suficiente buena aproximacin.
2.- Coleccin de datos relevantes para el modelo.
3.-Elegir el mtodo de estimacin relevante para el modelo propuesto.
4.-Evaluacin estadstica del modelo. Qu supuestos fueron requeridos para estimar
los parmetros del modelo ptimamente? Fueron estos supuestos satisfechos por los
datos? Tambin El modelo no describe adecuadamente los datos?
5.-Evaluacin del modelo de una perspectiva terica. Son los parmetros estimados
del tamao y signo que la teora o la intuicin sugiere?
6.- Uso del modelo. Para probar la teora especificada, cuantificar efectos, pronosticar
y, sugerir acciones a seguir.
Puntos a considerar cuando se lee un artculo publicado.
1.-El artculo involucra el desarrollo de un modelo terico o, es meramente una tcnica
en busca de una aplicacin para la motivacin de todo ejercicio, es pobre.
2.- Son los datos de buena calidad? Son de una fuente confiable? Es el tamao de
la muestra lo suficientemente grande para la estimacin del modelo tarea a realizar?
3.- Han sido las tcnicas vlidamente aplicadas? Ha llevado a cabo pruebas de
posibles violaciones de algn supuesto en la estimacin del modelo?
4.- han sido los resultados interpretados con sensatez? Es la intensidad de los
resultados exagerados? Los resultados efectivamente obtenidos se refieren a las
cuestiones planteada por los autores? Pueden los resultados ser replicados por otros
investigadores?
1
Magister de la PUCP
Magister de la PUCP
valores de X t .
Cov (u t , u j ) 0
4. Cov ( X t , u j ) 0
3.
Magister de la PUCP
CONSISTENCIA
Los estimadores de mnimos cuadrados y son consistentes. Una forma de
exponer este algebraicamente para (con la modificacin obvio hecha para ) es:
lim Pr[ ] 0
T
E ( )
Magister de la PUCP
E( )
As en promedio, los valores estimados para los coeficientes sern iguales a sus
verdaderos valores. Es decir, no hay ninguna sobreestimacin o subestimacin
sistemtica de los verdaderos coeficientes. Para probar esto tambin requiere del
supuesto de que Cov ( X t , u j ) 0 . Claramente, insesgamiento es una condicin ms
fuerte que la consistencia, ya que se mantiene tanto para pequeas como grandes
muestras (Esto es para todo tamao de muestra).
EFICIENCIA
Un estimador de un parmetro se dice que son eficientes si no hay otro
estimador que tenga menor varianza. En trminos generales, si el estimador es
eficiente, se minimiza la probabilidad de que sea muy lejos del valor real de . En
otras palabras, si el estimador es el mejor, la incertidumbre asociada con la
estimacin se reduce al mnimo para la clase de los estimadores lineales insesgados.
4. PRUEBAS DE DIAGNSTICO:
Supuestos del modelo lineal de regresin clsica y pruebas de diagnstico
Los resultados del aprendizaje:
En este parte, usted aprender como:
Describir los pasos involucrados para probar la heteroscedasticidad y autocorrelacin
en los residuos de la regresin.
Explicar el impacto de la heteroscedasticidad y autocorrelacin en la optimizacin de la
estimacin los parmetros de los MCO y el error estndar.
Distinguir entre las pruebas Durbing-Watson y Breusch-Pagan para la autocorrelacin.
Destacar las ventajas y desventajas de los modelos dinmicos.
Probar si la forma funcional del modelo empleado es apropiada.
Determinar si la distribucin del residuo de una regresin difiere significativamente de
la normalidad.
Investigar si los parmetros del modelo son estables.
Evaluacin de las diferentes filosofas de cmo construir un modelo economtrico.
5
Magister de la PUCP
4.1 Introduccin
Recordemos que cinco supuestos se hicieron en relacin al modelo de regresin lineal
clsico. Estos son requeridos para demostrar que la tcnica de estimacin, los
mnimos cuadrados ordinarios (MCO), tiene una serie de propiedades deseables, y
tambin para que las pruebas de hiptesis sobre los coeficientes estimados poda ser
vlidamente realizada, Especficamente se supone que:
1. E (u t ) 0 ;
2
2. Var (u t ) ;
3. Cov (u t , u j ) 0 .
2
4. Cov ( X t , u j ) 0 ; 5. u t N (0, )
Magister de la PUCP
Wald. Por ahora, los lectores necesitan saber que el estadstica de prueba LM en el
contexto de las pruebas de diagnstico que se presenta aqu sigue una distribucin x2
con grado de libertad igual al nmero de restricciones impuestas en el modelo, y se
denota m. La versin de la prueba de Wald sigue una distribucin F con (m, T-k)
grados de libertad. Asintticamente, estas dos pruebas son equivalentes, aunque sus
resultados difieren algo en muestras pequeas. Son equivalentes a medida que
aumenta el tamao de la muestra hacia el infinito, ya que hay una relacin directa entre
el x2 y la distribucin F. Tomando una variable aleatoria x2 y dividiendo por sus
grados de libertad asintticamente da una variante aleatoria F.
x ^ 2 ( m)
F (m, T k )
m
Cuando T
^^
son generalmente sin sentido en este contexto. Este surge, ya que el valor medio de la
Magister de la PUCP
2
4.4 Hiptesis 2: Var (u t )
^^
2
1 11 1
^^
2
2 22 2
s u u /(T k) s u u /(T k)
y
s12
s
2
2
Magister de la PUCP
La prueba estadstica est distribuida como una F(T1 k ,T2 k ) bajo la hiptesis nula, y la
hiptesis nula de varianza constante es rechazada si la prueba estadstica excede el
valor crtico.
La prueba GQ es fcil de construir, pero sus conclusiones pueden depender de un
particular y probablemente arbitrariao momento de dividir la muestra. Claramente, la
prueba es probablemente para ser ms potente cuando esta eleccin se hace por
razones tericas- por ejemplo, antes y despus de un evento estructural mayor.
Supongamos que se piensa que la varianza de las perturbaciones est relacionada con
algunos z1 observable variable (que puede o no puede ser uno de los regresores. Una
mejor manera de realizar la prueba sera ordenar la muestra de acuerdo con los
valores de Z1 (en lugar de a travs del tiempo) y despus de dividir la muestra
reordenado en T1 y T2.
Un mtodo alternativo que es algunas veces usado para agudizar las inferencias de la
prueba y aumentar su potencia es omitir algunas observaciones del centro de la
muestra a fin de introducir un grado de separacin entre las dos sub-muestras.
Una prueba muy popular es la de White (1980), prueba general para
heteroscedasticidad.
La prueba es particularmente til, ya que hace algunas
suposiciones acerca de la probable forma de heteroscedasticidad. La prueba es
elaborada as:
Estimar el modelo siguiente:
Yt 1 2 X 2t 3 X 3t u t
u t2 1 2 X 2t 3 X 3t 4 X 22t 5 X 32t 6 X 2t X 3t vt
Magister de la PUCP
restringida y luego ejecutar una regresin de u t2 sobre una constante. Los RSS de
cada especificacin se utilizarn como insumos para calcular la prueba F estndar.
Un segundo enfoque es la prueba de Multiplicador de Lagrange (LM)
La cual gira en torno al valor de R2 de la regresin auxiliar. Si uno o ms coeficientes
de regresin auxiliar son estadsticamente significativos, el valor de R2 para la
ecuacin ser relativamente alto, mientras que si ninguna de las variables es
significativa, R2 ser relativamente baja. La prueba LM as operara mediante la
obtencin de R2 de la regresin auxiliar y multiplicndola por el nmero de
observaciones T. Se puede demostrar que:
T .R 2 x (2m )
Magister de la PUCP
2
Donde vt N (0, v )
La prueba estadstica DW tiene como hiptesis nula, que los errores en el tiempo t-1
y t son independientes el uno del otro.
Ho 0
Contra la alterna
Ho 0
11
Magister de la PUCP
Si la hiptesis nula fuera rechazada, se concluira que existe evidencia de una relacin
entre los residuos sucesivos.
La prueba estadstica DW es posible expresar como una aproximacin del valor
estimado de .
DW 2(1 )
1 1,
Si 1, DW
residuos.
Si 1, DW
residuos.
Magister de la PUCP
vt N (0, v2 )
As, bajo la hiptesis nula, el error actual no est relacionado a cualquiera de los
errores previos.
La realizacin de la prueba Breusch-Godfrey es la siguiente:
a) Estimar la regresin lineal:
Magister de la PUCP
tiempo t tiene que ser significativamente relacionada slo a uno de sus r valores
anteriores en la muestra, para que la hiptesis nula de no autocorrelacin sea
rechazada. Esta prueba es ms general que el DW.
Una dificultad potencial con Breusch-Godfrey,
sin embargo, es en la
determinacin de un adecuado r, nmero de rezagos de los residuos. Una
respuesta sera para datos mensuales 12 rezagos y para trimestrales 4 rezagos.
Obviamente, si el modelo es estadsticamente adecuado, no se debera
encontrar evidencia de autocorrelacin en los residuos cualquiera sea el valor
de r se elija.
4.5.6 Consecuencias de ignorar la autocorrelacin si est presente.
En realidad, los coeficientes estimados derivados utilizando MCO son todava
insesgados, pero ellos son ineficientes. Es decir no son MELI, incluso en los
tamaos de muestra grandes, de modo que las estimaciones del error estndar
podran estar equivocadas. Por tanto, existe la posibilidad de que puede hacerse
las inferencias equivocadas acerca de si una variable es o no un determinante
importante de las variaciones en y . En el caso de la correlacin serial positiva
en los residuos, las estimaciones del error estndar de los MCO estar sesgada
hacia abajo con respecto a los errores estndar verdaderos. Es decir, MCO
subestimar su verdadera variabilidad. Esto conducira a un aumento en la
probabilidad de error de tipo I, es decir, una tendencia a rechazar la hiptesis
nula a veces, pero es correcta. Adems, R2 es probable que se infle con
relacin a su valor correcto si autocorrelacin est presente pero omite, ya que
la autocorrelacin residual conducir a una subestimacin de la varianza del
error verdadero.
trmino de perturbacin pasa a tener un valor alto, Yt tambin ser alto. Pero si
14
Magister de la PUCP
ut ,
entonces
X 2t
es tambin
15
E (u 3 )
( 2 ) 3 / 2
Magister de la PUCP
E (u 4 )
( 2 ) 2
A 2 (C 3) 2
24
6
BJ T
Magister de la PUCP
Magister de la PUCP
( X ' X ) 1 X 'Y
los
Magister de la PUCP
VIF ( i )
1
1 Ri2
2
Donde Ri es el cuadrado del coeficiente de correlacin mltiple entre X i y las otras
2
variables explicativas X S . Si el VIF supera a 10 (o Ri 0.9 ) se dice que esa variable
es altamente colineal.
R2
Mientras que el VIF es algo que calculamos para cada variable explicativa
separadamente, el NC discutido por Belsley, Kuh, and Welsch (1980) es una medida
global. El NC se supone que es una medida de sensibilidad de la regresin estimada a
pequeos cambios en los datos. Es definido como la raz cuadrada de la proporcin del
autovalor ms grade ( 1 ) entre el ms pequeo ( 2 ) de la matriz ( X ' X ) de variables
explicativas.
El NC est definido:
NC
1
2
19
Magister de la PUCP
Se han estimado.
Dnde:
RSS : Suma cuadrada de residuos de toda la muestra. (Regresin restringida)
RSS1 : Suma cuadrada de residuos para la sub muestra 1.
RSS 2 : Suma cuadrada de residuos para la sub muestra 2.
Magister de la PUCP
Si la divisin del total de observaciones T se hace para que las sub-muestras contienen
observaciones T1 y T2, la regresin irrestricta vendra dada por
Yt 1 2 X 2t 3 X 3t 4 Dt 5 Dt X 2t 6 Dt X 3t u t . Regresin restringida.
Donde D1=1 para t pertenece a T1 y cero en otro caso. En otras palabras, D1 toma el
valor de uno para observaciones en la primera sub muestra y cero para observaciones
en la segunda muestra. La prueba de Chow visto de esta manera, sera una prueba F
estndar de la restriccin conjunta H 0 : 4 5 6 0 .
4.12.2 La prueba de fracaso en la prediccin:
Un problema con la prueba de Chow es que es necesario disponer de datos suficientes
para hacer la regresin en ambos sub-muestras, es decir, T1> k, T2> k. Esto puede no
ser en la situacin en la que el nmero total de observaciones disponibles es pequeo.
Incluso ms probable es la situacin en la que el investigador desea examinar el efecto
de dividir la muestra en un cierto punto muy cerca del inicio o muy cerca del final de la
21
Magister de la PUCP
muestra. Una formulacin alternativa de una prueba para la estabilidad del modelo es
la prueba de prediccin de fallos, lo que requiere la estimacin de la muestra completa
y una de las sub-muestras solamente. La prueba de previsin de fallos funciona
mediante la estimacin de la regresin durante un "largo" sub-perodo (es decir, la
mayor parte de los datos) y luego usando los coeficientes estimados para predecir los
valores de Y para el otro perodo. Estas predicciones para Y son entonces
implcitamente en comparacin con los valores reales. A pesar de que se puede
expresar de varias maneras diferentes, la hiptesis nula para este ensayo es que los
errores de prediccin para todas las observaciones esperadas son cero.
Para calcular la prueba:
. Correr la regresin para todo el periodo (la regresin restringida) y obtener RSS.
. Correr la regresin para el sub-periodo largo y obtener RSS (llamado RSS1), el
nmero de observaciones para la estimacin del sub-periodo largo ser denotado por
T1 (a pesar de que puede venir segundo). La prueba estadstica est dada por:
estadistaico
RSS RSS1 T1 k
*
RSS1
T2
22
Magister de la PUCP
Dnde: D1=1 para la observacin T-2 y 0 las dems, D2=1 para la observacin
T-1 y o las dems, D3=1 para la observacin T y 0 para las dems. La hiptesis nula
para la prueba de fracaso de prediccin en esta regresin es que los coeficientes sobre
todas las variables ficticias son cero (esto es, H 0 : 1 0; 2 0; 3 0 ). Ambos enfoques
para la realizacin de la prueba de fracaso de prediccin descrito antes son
equivalentes, aunque la regresin con variable ficticia es probable que tome ms
tiempo hacer.
Sin embargo, tanto para las pruebas de Chow y de fallo de prediccin, el mtodo de
variables ficticia tiene la gran ventaja que es la que proporciona al usuario ms
informacin. Esta informacin adicional viene del hecho de que se pueda examinar la
significancia de los coeficientes de las variables ficticias individuales para ver qu parte
de la hiptesis nula est causando un rechazo. Por ejemplo, en el contexto de la
regresin Chow, Es el intercepto o los coeficientes de la pendiente que son
significativamente diferentes entre los dos sub-muestras? En el contexto de la prueba
de prediccin de fallos, el uso del enfoque de variables ficticias se muestra para qu
perodo(s) de los errores de prediccin son significativamente diferentes de cero.
Magister de la PUCP
Yt i u t 1 u t
i 1
AR( p )
Yt i Yt 1 u t
i 1
Yt i Li Yt u t
i 1
O:
( L)Yt u t
Dnde:
( L) (1 1 L 2 L2 1 L3 ... p L p )
AR ( p )
( L)Yt u t
Sera declarado que el proceso es estacionario si es posible escribir:
Yt ( L) 1 u t
Con ( L) 1 converge a cero.
Esto significa que las autocorrelaciones se reducirn con el tiempo como la longitud de
retardo se incrementa. Cuando la expansin ( L) 1 se calcula, contendr un nmero
24
Magister de la PUCP
infinito de trminos, y puede ser escrito como un MA() . Si el proceso dado por
( L)Yt u t
disminuir con el tiempo con una longitud del retardo, por otro lado, si el proceso es no
estacionario, los coeficientes de la representacin MA() no convergen a cero a
medida que aumenta la longitud de retardo.
La condicin para las pruebas de estacionariedad de un modelo general AR ( p ) so
que las races de la ecuacin caracterstica, todos se encuentran dentro del crculo
unitario, o las races del polinomio caracterstico, todos se encuentran fuera del crculo
unitario. La nocin de ecuacin caracterstica es as llamada porque sus races
determinan las caractersticas del proceso Yt . Por ejemplo, la funcin de
autocorrelacin simple (ACF) para un proceso AR ( p ) dependera de las races de la
ecuacin caracterstica.
5.4.2 Teorema de descomposicin de Wold.
Establece que cualquier serie estacionaria se puede descomponer en la suma de dos
procesos no relacionados, una parte puramente determinstico y otra parte puramente
estocstico, la cual puede ser un MA() . Una forma de decir esto en un contexto de
un modelado AR es que cualquier proceso autorregresivo de orden p sin constante y
ningn otro trmino se pueden expresar como un modelo de medias mviles de orden
infinito MA() .
Este resultado es importante para derivar la funcin de
autocorrelacin para un proceso autorregresivo.
i
Para un modelo AR ( p ) dado por, ejemplo Yt i L Yt u t , con 0 y expresado
i 1
es
( L)Yt u t
, y la descomposicin
de Wold es:
Yt ( L)u t
Dnde:
( L) ( L) 1 (1 1L 2 L2 3L3 ... p L p ) 1
E (Yt )
Magister de la PUCP
1 1 2 3 ... p
:
:
p p 1 1 2 p 2 2 ... p
Yt 1 .
2 12
11
Magister de la PUCP
A condicin que este proceso es invertible, este MA( 2) puede ser expresado como
un AR () :
Yt
c Y
i 1
t 1
ut
Ahora es evidente cuando se expresa de esta manera que para un modelo de medias
mviles, hay conexiones directas entre el valor actual de Yt y todos sus valores
anteriores. Por lo tanto, la funcin de autocorrelacin parcial (PACF) para un modelo
MA( 2) disminuir geomtricamente, en lugar de caer a cero despus de q retardos,
como es el caso de su fuction de autocorrelacin (ACF). Por ello, podra decirse que la
ACF para un AR tiene la misma forma bsica que la PACF para un MA , y la ACF
para un MA tiene la misma forma como la PACF para un AR .
5.6 Procesos ARMA
Por combinaciones de modelos AR ( p ) y MA(q ) , se obtiene un modelo
ARMA( p, q ) . Tales modelos establecen que, el valor actual de la misma serie Yt
depende linealmente de sus propios valores pasados ms una combinacin de valores
actuales y pasados del trmino de error ruido blanco. El modelo puede ser escrito:
( L)Yt ( L)u t .
Dnde:
( L) (1 1L 2 L2 3L3 ... p L p )
( L) (1 1L 2 L2 3L3 ... q Lq )
27
Magister de la PUCP
()
Esta expresin indica que el valor esperado de Y se toma para el tiempo t +1,
condicionado a, o dado, toda la informacin disponible hasta el momento e incluyendo
el tiempo t () ). En contraste esto con la expectativa incondicional de Y , que es el
valor esperado de Y , sin referencia al tiempo, es decir, la media no condicional de Y .
Se utiliza el operador de expectativas condicionales para generar pronsticos de la
series.
Cmo esta expectativa condicional se evala?, por supuesto, depender del modelo
en cuestin. Varias familias de modelos de prediccin se desarrollarn en adelante.
Un primer punto a sealar es que la definicin de pronstico ptima para un proceso
ruido blanco de media cero es cero.
E (u t 1 / t ) 0, s 0
28
Magister de la PUCP
Una vez ms, apelando apelando al supuesto de estabilidad en los parmetros, esta
ecuacin se mantendr durante tiempo t+1, t+2, y as sucesivamente.
Yt 1 1Yt 2Yt 1 u t 1
Yt 2 1Yt 1 2Yt u t 2
Yt 3 1Yt 2 2Yt 1 u t 3
29
Magister de la PUCP
(i 1,2)
E (u1t u 2t ) 0 .
30
Magister de la PUCP
Otro aspecto til de los modelos VAR es el compacto con el que se expresa la
notacin. Por ejemplo, consideremos el caso anterior donde k 1 , de modo que cada
variable depende solo de los valores inmediatamente anteriores de y1t y y 2 t , ms un
termino de error. Esto puede ser escrito como:
y1t 10 11 y1t 1 11 y 2t 1 u1t
y 2t 20 21 y 2t 1 21 y1t 1 u 21t
O
y1t 10 11 11 y 1t 1 u1t
y
u
2
t
20
2
t
1
2
t
21
21
Magister de la PUCP
gran margen de discrecin sobre la forma de clasificar las variables. Dado que
las pruebas tipo Hausman no suelen ser empleadas en la prctica, cuando
deberan ser, en la especificacin de ciertas variables como exgenas.
Necesario para formar la identificacin de las restricciones, es probable que en
muchos casos no es vlido. Sims llama a estas restricciones de identificacin
increibles Estimacion del VAR, por otro parte, no requiere restricciones que se
impongan.
VARs permiten que el valor de una variable dependa algo ms que de sus
propios rezagos o combinacin de trminos ruido blanco, as los VARs son ms
flexibles que los modelos AR univariados; este ltimo puede ser visto como un
caso de modelo VAR restringido. Los modelos VAR pueden por lo tanto ofrecer
una estructura muy rica, lo que implica que puede ser capaz de capturar ms
caractersticas de los datos.
Los pronsticos generados por los VARs son a menudo mejores que los
tradicionales modelos estructurales. Se ha argumentado en una serie de
artculos (ver, por ejemplo, Sims, 1980) que a gran escala los modelos
estructurales tienen un pobre desempeo en trminos de precisin prevista
fuera de la muestra. Esto quizs podra surgir como resultado de la naturaleza
ad hoc de las restricciones impuesta a los modelos estructurales para asegurar
la identificacin mencionada anteriormente. McNees (1986) muestra que el
pronstico de algunas variables (por ejemplo, la tasa de desempleo de USA y el
PNB real, etc) se producen con mayor precisin usando VARS que a partir de
varias diferentes especificaciones estructurales.
VARs son a tericos (como lo son los modelos ARMA) ya que utilizan muy poca
informacin terica acerca de las relaciones entre variables para guiar la
especificacin del modelo. Por otro lado, las restricciones de exclusin valido
32
Magister de la PUCP
Cmo debe determinarse la longitud adecuada del rezago del VAR? Hay
muchos enfoques disponibles para hacer frente a este tema, que se ver ms
adelante.
PARA SELECCIONAR LA
Magister de la PUCP
u . u ' ), como
LR T .[log | r | log | u | ]
Magister de la PUCP
MSBIC log | | .
k'
log(T )
T
MHQIC log | | .
2k '
log(T )
T
Magister de la PUCP
De modo que no hay trminos contemporneos en el lado derecho del RHH, es decir
no hay termino de y 2 t en el lado derecho de la ecuacin para y1t y no hay trmino de
y1t en el lado derecho para la ecuacin para y 2 t . Pero si las ecuaciones tienen un
El sistema anterior, puede ser tambin escrito por apilamiento de los trminos en
matrices y vectores:
y1t 10 11 11 y 1t 1 12 0 y 2t u1t
y 2t 20 21 21 y 2t 1 0 22 y1t u 2t
1
22
12
y1t 10 11 11 y 1t 1 u1t
y 2t 20 21 21 y 2t 1 u 2t
O
Ay t 0 1 y1t 1 u t
Magister de la PUCP
O
y t A 0 A1 y1t 1 et
Este es conocido como VAR en su forma estndar, que se asemeja a la forma reducida
de un conjunto de ecuaciones simultaneas. Este VAR solo contiene valores
predeterminados en el lado derecho del sistema.
Magister de la PUCP
el tiempo que estos efectos requieren que tenga lugar. Es decir, los resultados de la
prueba F no revelara si el cambio en el valor de una variable dada tiene un efecto
positivo o negativo de otras variables del sistema, o el tiempo que tomara para que el
efecto de esta variable para trabajar a travs del sistema. Tal informacin, sin embargo,
se da por un examen de respuestas a impulsos del VAR y descomposicin de varianza.
El impulso respuesta traza la capacidad de respuesta de las variables dependientes en
el VAR a los choques a cada una de las variables. Por lo tanto, para cada variable de
cada ecuacin por separado, un choque de una unidad aplicado al error, y los efectos
sobre el sistema de VAR se observa con el tiempo.
Por lo tanto, si hay variables g en el sistema. Se podra genera un total de g 2
respuestas al impulso. La forma que esto se logra en la prctica es mediante la
expresin del modelo VAR como un VMA, es decir, el modelo de vectores
autorregresivos se escribe como vectores de medias mviles (de la misma manera
como se hizo para los modelos autorregresivos univariantes). Siempre que el sistema
es estable, siempre que el sistema es estable, el choque gradualmente desaparece.
Para ilustrar como el impulso respuesta opera, considere el siguiente bivariado
VAR(1).
y t A1 . y t 1 u t
Dnde:
0 .5
A1
0 .0
0 .3
0.2
El VAR tambin puede ser escrito utilizando los elementos de las matrices y los
vectores:
y1t
0.5 0.3 y1t 1 u1t
y 0.0 0.2 y u
2t 1 2t
2t
0 .3 1
0 .5
0. 2 0
0
0.5
y 2 A1 y1
0.0
0.3 0.5
0.25
0.2 0
0
38
Magister de la PUCP
la variable
0.3 0
0.3
0.2 1
0.2
0.5
y 2 A1 y1
0.0
0.3 0.3
0.21
0.2 0.2
0.04
Y as sucesivamente. Aunque es probable que sea bastante fcil de ver cules son los
efectos de los choques a las variables ser en un simple VAR, los mismos principios
se pueden aplicar en el contexto de un VAR con ms ecuaciones o ms retardos,
donde es mucho ms difcil ver a simple vista cuales son las interacciones entre las
ecuaciones.
Descomposicin de varianza ofrece un mtodo un poco para examinar la dinmica del
sistema VAR. Ellos dan la proporcin de los movimientos en las variables dependientes
que se deben a sus propios choques, frente a los choques con las otras variables. Un
choque a la variable i-esima afectar directamente a esa variable, por supuesto, pero
tambin ser trasmitida a todas las otras variables en el sistema a travs de la
estructura dinmica del VAR. La descomposicin de la varianza determina cunto de la
varianza de errores de pronstico s-pasos-delante de una variable determinada se
explica por las innovaciones de cada variable explicativa para s 0,1,2,... En la prctica
suele observarse que los propios choques de las serie explica la mayor parte del error
(pronostico) de la serie de un VAR. Hasta cierto punto, los impulso respuesta y la
descomposicin de varianza ofrece una informacin muy similar.
Para el clculo del impulso respuesta y la descomposicin de varianza, el orden de las
variables es importante. Para ver por qu este es el caso, recordar que la respuesta al
impulso se refiere a una unidad de choque de los errores de una sola ecuacin del
VAR. Esto implica que los trminos de error de todas las otras ecuaciones en el
sistema VAR se mantienen constantes. Sin embargo, esto no es realista, ya que los
trminos de error es probable que sean similares en las distintas ecuaciones, hasta
cierto punto. Por lo tanto, suponiendo que son completamente independientes dara
lugar a una mala interpretacin de la dinmica del sistema. En la prctica, los errores
39
Magister de la PUCP
que tienen un componente comn que no puede ser asociado a una variable por s
solo.
El enfoque habitual de esta dificultad es la de generar impulso respuesta
ortogonolizada. En el contexto de un VAR bivariante, la totalidad de los componentes
comunes de los errores se atribuye un tanto arbitrariamente a la primera variable en el
VAR. En el caso general, donde hay ms de dos variables en el VAR, los clculos son
ms complejos pero la interpretacin es la misma. Tal restriccin implica en efecto un
orden de las variables, de modo que la ecuacin para y1t se estima primero y luego
para y 2t un poco como un sistema recursivo o triangular.
Asumiendo un cierto orden es necesario para calcular el impulso respuesta y la
descomposicin de varianza, aunque la restriccin se basa en el orden, no puede ser
apoyado por los datos. Una vez ms, de ser posible, la teora financiera sugiere un
orden (en otras palabras, que los movimientos en algunas variables son propensos a
seguir, en lugar de preceder, otros). En caso contrario, la sensibilidad de los resultados
a los cambios en el orden puede ser observado al asumir un orden, y es exactamente
lo dar marcha atrs y volver a la informtica, los impulso respuesta y la descomposicin
de varianza. Tambien vale la pena sealar que la mayor correlacin en los residuos de
una ecuacin estimada, ms importante ser el orden de las variables. Sin embargo
cuando los residuos son casi sin correlacin, el orden de las variables har poca
diferencia (ver Ltkepohl, 1991, capitulo 2 para ms detalles).
Runkle (1987) sostiene que tanto el impulso respuesta y la descomposicin de varianza
son muy difciles de interpretar con precisin. Argumenta que las bandas de confianza
alrededor del impulso respuesta y la descomposicin de varianza siempre debe ser
construido. Sin embargo, afirma tambin que, incluso entonces, los intervalos de
confianza suelen ser tan amplia que las inferencias fuertes es imposibles.
Magister de la PUCP
41
Magister de la PUCP
9.10
La forma ms bsica del modelo de Hamilton, tambin conocido como filtro de Hamilton
(ver Hamilton, 1989), comprende una variable de estado no observada, zt denota, que
se postula que la evaluacin de acuerdo a un primer proceso para el fin de Markov
P[ z t 1 | z t 1 1] p11 ]
P[ z t 2 | z t 1 1] 1 p11 ]
P[ z t 2 | z t 1 2] p 22 ]
P[ z t 1 | z t 1 2] 1 p 22 ]
Donde, p11 y p22 indican la probabilidad de estar en rgimen de uno, dado que el
sistema estaba en rgimen de uno durante el periodo previo, y la probabilidad de estar
en rgimen dos, dado que el sistema estaba en rgimen de dos durante el perodo
anterior, respectivamente. As, 1 p11 define la probabilidad de que y t cambia de
estado 1 en el perodo t-1 al estado 2 en el perodo t, y 1 p 22 , define la probabilidad
de un cambio del estado 2 al estado 1 entre los tiempos t-1 y t. Se puede demostrar
que en virtud de esta especificacin, z t evoluciona como un proceso AR (1):
z t (1 p11 ) z t 1 nt
Magister de la PUCP
y t 1 2 z t ( 12 z t ) 1 / 2 u t
Si una variable sigue un Proceso de Markov, todo lo que se requiere para pronosticar la
probabilidad de que sea en un rgimen determinado, durante el prximo perodo, es la
probabilidad de perodos actuales y un conjunto de probabilidades de transicin,
teniendo en cuenta para el caso de dos de rgimen (9.11 ) - (9.14). En el caso general,
donde hay m estados m, la probabilidad de transicin son los mejores expresado como:
P11
P
P 21
.
Pm1
P12
...
P22
.
...
.
P1m
P2 m
.
Pm 2
...
Pmm
ij
1, i
jO1
t [ 1
... m ]
Magister de la PUCP
ts t P s
Se entiende por los estadsticos que la distribucin de esta distancia calculada entre
una funcin de distribucin emprica y la terica sobre la base de una muestra, no
depende del tipo concreto de distribucin, siempre y cuando una distribucin contina.
Este hecho se puede utilizar para realizar la prueba de Kolmogorov-Smirnov famosa de
bondad de ajuste, que se describe a continuacin.
44
Magister de la PUCP
Magister de la PUCP
46