Академический Документы
Профессиональный Документы
Культура Документы
FACULTAD DE ECONOMA
DEPARTAMENTO ACADMICO DE ECONOMA
ECONOMETRIA
II
CAPITULO I
MODELOS MULTIECUACIONALES
1.
1.1.
EXOGENEIDAD
En trminos generales:
1
Variable exgena es aquella cuyos valores se toman como datos para analizar
el comportamiento de las endgenas.
Para seleccionar variables exgenas se considera el criterio siguiente:
DEPARTAMENTAL
CAUSAL
X 1t = 11 * X 1t + 21 * X 2 t +...+ rt * X rt + u1t
X it = 1i * X 1t + 2i * X 2 t +...+ ri * X rt + uit
X rt = 1r * X 1t + 2 r * X 2 t +...+ rr * X rt + urt
Predeterminacin
Exogeneidad Estricta
Yt = 1 X t + 11Yt 1 + 12 X t 1 + u1t
X t = 2Yt + 21Yt 1 + 22 X t 1 + u 2t
de Yt 1 .
En los modelos no dinmicos y sin correlacin serial en los errores, no es
necesario hacer esta distincin.
Engle, Hendry y Richard sugieren tres conceptos adicionales:
1
Exogeneidad fuerte.-
Ejemplo:
Se tiene el modelo:
Yt = X t + u1t
X t = 1 X t 1 + 2Yt 1 + u 2t
y Covat (u1t u 2t ) = 12 .
PRUEBA DE EXOGENEIDAD
El enfoque de la Fundacin Cowles para ecuaciones simultneas sostiene el
punto de vista de que no es posible probar la causalidad y la exogeneidad.
Tenemos un modelo de ecuaciones simultneas con tres variables endgenas
Y1 , Y2 , Y3 y tres variables exgenas Z 1 , Z 2 , Z 3 .
Supongamos que la primera ecuacin del modelo es:
H0 : 2 = 3 = 0
H1 : 2 3 0
I t = 1 + 2 DDt + 3 INFt + u 2t
INFt = 1 + 2 DDt + 3 CIN t + u 3t
Verificaremos que las variables DD e INF se pueden tratar cono exgenas en
la segunda ecuacin, se tiene el procedimiento siguiente:
1
DDF
================================================================================
Modified: 1992:02 1997:12 // frdd.fit ddf
1992:01
NA
144.7520
146.4577
147.9097
153.1752
151.2739
1992:07
155.2140
164.7869
156.9519
154.5775
156.8674
157.9472
1993:01
171.6747
164.1451
170.1863
164.5127
158.1686
153.1212
1993:07
164.9365
178.5399
164.1107
167.7566
173.7750
173.9148
1994:01
194.8023
180.7786
182.7720
188.9755
178.1305
179.3825
1994:07
185.6961
219.4566
196.9213
200.7219
201.4028
200.8673
1995:01
239.0520
215.7034
224.6584
236.4655
225.9911
219.8976
1995:07
225.4408
247.7038
230.3212
234.5356
234.8269
230.6908
1996:01
258.3213
233.7957
230.7273
237.7114
241.8207
242.2752
1996:07
236.4521
250.4778
238.3640
235.9629
235.6657
237.1514
1997:01
260.8767
241.0755
244.8116
257.7485
259.6422
261.2410
1997:07
253.4000
279.0850
267.5338
260.7541
266.3076
261.8484
================================================================================
Dependent Variable: INF
Method: Least Squares
Sample: 1992:02 1997:12
Included observations: 71
============================================================
Variable
Coefficient Std. Error t-Statistic Prob.
============================================================
C
5.239088
0.542312
9.660657
0.0000
DD(-1)
-0.019710
0.004105 -4.801078
0.0000
ENC
0.053570
0.009709
5.517762
0.0000
CIN
-0.001711
0.000488 -3.507769
0.0008
============================================================
R-squared
0.687070
Mean dependent var 1.652113
============================================================
6
INFF
================================================================================
Modified: 1992:02 1997:12 // frinf.fit inff
1992:01
3.500000
4.008865
3.872067
3.424886
3.545896
3.490536
1992:07
2.875449
3.159742
3.740656
3.466783
3.676729
2.952576
1993:01
3.270704
2.953143
3.007627
3.047820
3.690561
3.643172
1993:07
2.353319
2.372938
2.984426
2.271774
2.434575
1.733955
1994:01
1.423582
1.805801
1.524053
1.334873
1.867048
1.901173
1994:07
2.005350
0.926592
1.317732
1.282110
1.420033
1.150795
1995:01
0.215221
0.944469
0.608405
0.371529
1.193807
1.102860
1995:07
1.269565
0.729651
1.096230
1.045941
1.129630
1.238353
1996:01
0.811535
1.334264
1.524015
0.831504
0.646067
0.558532
1996:07
1.241294
0.626075
1.364197
0.873296
1.130797
1.108127
1997:01
0.471394
1.091477
1.313852
0.135472
-0.091280
-0.022570
1997:07
0.575497
-0.462633
0.228249
0.256949
0.207520
0.663370
================================================================================
H0 : 4 = 5 = 0
H1 : 4 5 0
1.3.
CAUSALIDAD DE GRANGER
En algunas oportunidades es importante determinar si cambios en una variable
causa cambios en otra variable.
El test de causalidad de Granger nos ayuda a determinar si de acuerdo a los
datos (no la teora) existe una variable cuyos cambios anteceden cambios en otra
variable. Es importante que las series sean estacionarias para evitar el riesgo de
obtener relaciones espurias, y en caso de no cumplir con esta caracterstica es
necesario aplicar alguna transformacin para convertirlas en estacionarias,
asumiendo que al hacerlo se mantienen las relaciones de causalidad.
Granger se basa en la premisa de que el futuro no puede provocar el presente o
el pasado.
Si un evento A ocurre despus de un evento B, se sabe que A no puede
provocar a B. Al mismo tiempo, si A ocurre antes de B, esto no necesariamente
implica que A provoque a B.
Consideremos dos series de tiempo (Yt y X t ) , la serie X t fracasa en la
causalidad de Granger de Yt si en una regresin de Yt sobre las Y rezagadas y las X
rezagadas los coeficientes de esta ltima son cero. Es decir, la hiptesis es:
H 0 : i = 0(i = 1,2,..., k )
H1 : i 0
i =1
i =1
Yt = i Y t i + i X t i + u t
si se acepta la hiptesis nula, entonces X t fracasa en causar a Yt , siendo K arbitrario.
Si se rechaza la hiptesis nula, es decir X causa Y, entonces cambios en X deben
preceder en el tiempo a cambios en Y.
La prueba de causalidad de Granger asume que la informacin relevante para
la prediccin de las variables Yt y X t est contenida nicamente en los datos de
series de tiempo sobre estas variables.
El test depender de m (el # de rezagos) y este es arbitrario, es decir uno
puede especificar el nmero de rezagos. Y el resultado de pronto se vera afectado.
Entonces uno debera efectuar los tests con diferentes rezagos y asegurarse que la
conclusin del test no se afecte por el nmero de rezagos.
Para ver lo que hace la prueba de Granger, consideremos el siguiente modelo:
Yt = 1 X t + 11Yt 1 + 12 X t 1 + u1t
X t = 2Yt + 21Yt 1 + 22 X t 1 + u 2t
escribamos la forma reducida del modelo:
Yt = 11Yt 1 + 12 X t 1 + v1t
X t = 21Yt 1 + 22 X t 1 + v 2t
21 =
2 11 + 21
1 1 2
EVALUACIN
Mucho de lo establecido para modelos uniecuacionales es directamente
aplicable con la inmediata generalizacin que supone trabajar con g ecuaciones en
lugar de con una sola.
La diferencia conceptual al analizar los errores en modelos multiecuacionales,
respecto al caso de ecuacin nica, reside en que ahora los errores en la variable
endgena de una ecuacin no pueden asignarse directamente a un defectuoso
funcionamiento de la misma, sino que frecuentemente vendrn inducidos por errores
en otras ecuaciones conexas con la que estamos estudiando.
El proceso de evolucin se realiza ecuacin por ecuacin y siguiendo los
mismo criterios que en la evaluacin de un modelo multiecuacional; es decir, el
criterio econmico, criterio estadstico y criterio economtrico.
B.-
0 < 1 < 1
1 > 0
2 < 0
10
B.-
R =R
2
h =1
2
h
y2
h =1
2
yh
11
484.88042
130.6596 2
R = 0.994587
1
.
225633
+
2
2
484.8804 2 + 130.6596 2
484.8804 + 130.6596
R 2 = 0.844284
2
rX i X j > RY
donde rX i X j es el coeficiente de correlacin simple entre dos regresores cualquiera y
12
Correlation Matrix
================================================
PBI-PBI(-1)
IB
TIB
================================================
PBI-PBI(-1) 1.000000
0.210195
-0.043968
IB
0.210195
1.000000
0.821177
TIB
-0.043968
0.821177
1.000000
================================================
13
14
ARCH Test:
============================================================
F-statistic
179.5448
Probability
0.000000
Obs*R-squared
101.8561
Probability
0.000000
============================================================
0 01
.4
165631
24
3
1{
.72
dL
DW
11
.2
73
46
dU
11
.4
342052
24
3
DW
11
.2
706
3
dL
1{
.76
dU
15
16
Se tiene:
H 0 : 1 = 0
H 1 : 1 0
comparamos:
H 0 : 1 = 2 = 0
H 1 : 1 2 0
calculamos:
17
Se tiene:
H 0 : 1 = 0
H 1 : 1 0
comparamos:
H 0 : 1 = 2 = 0
H 1 : 1 2 0
calculamos:
H0 : u
H1 : u
se utiliza el estadstico Jarque - Bera, cuya frmula es:
JB =
NK 2 1
2
S + (K 3)
6
4
18
14
Series: Residuals
Sample 1950:2 1985:4
Observations 143
12
10
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
8
6
4
2
Jarque-Bera
Probability
1.02E-12
-3.450644
101.6454
-73.31450
35.67308
0.333192
3.135286
2.754957
0.252214
0
-60
-40
-20
20
40
60
80
100
Series: Residuals
Sample 1950:2 1985:4
Observations 143
25
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
20
15
10
5
Jarque-Bera
Probability
4.84E-14
-9.054948
764.3070
-643.3132
194.9253
0.233754
5.681904
44.15825
0.000000
0
-600
-400
-200
200
400
600
800
19
SIMULACIN
Para simular los efectos de valores alternativos en diferentes variables o
parmetros, es preciso disponer de una cierta solucin del modelo que la haga
factible en un contexto de simultaneidad de las diferentes ecuaciones.
La simulacin ms habitual es la que supone cuantificar los efectos sobre las
endgenas de valores alternativos para las variables exgenas del modelo. Si los
datos de las variables exgenas son histricos se tiene una simulacin ex - post o
histrica; en cambio, si los datos de las variables exgenas son supuestos para el
futuro se trata de una simulacin ex - ante.
Es posible realizar otras simulaciones que correspondan a variaciones en los
trminos de error de cada ecuacin (factores adicionales) o incluso retoques en
algunos de los parmetros (ajuste y afinado).
2.1.
OBJETIVOS
Los objetivos de la simulacin pueden ser:
1
20
2.2.
TIPOS
Se tienen los siguientes tipos de simulacin:
1
y 1t = 1 + 2 y 2t + 3 y1t 1 + 4 x t
y1t = 1 + 2 y 2t + 3 y1t 1 + 4 xt
y1t = 1 + 2 y 2 t + 3 y1t 1 + 4 xt
2.3.
21
YY = X t + Vt
Descomponemos la forma reducida, considerando el desdoblamiento de de
la forma siguiente:
0
trmino independiente.
endgenas desplazadas.
exgenas corrientes.
exgenas desplazadas.
Yt = 0 + 1 Yt 1 + 2 Z t + 3 Z t 1 + Vt
donde Z t slo incluye las exgenas corrientes del modelo.
Si no existen variables desplazadas, es decir:
Yt = 0 + 2 Z t + Vt
entonces la forma final del modelo y la forma reducida del modelo coinciden.
Reemplazando Yt 1 en la forma reducida nos da:
Yt = 0 + 1 ( 0 + 1 Yt 2 + 2 Z t 1 + 3 Z t 2 + Vt 1 ) + 2 Z t + 3 Z t 1 + Vt
simplificando, tenemos:
Yt = 0 (I + 1 ) + 12 Yt 2 + 2 Z t + ( 2 1 + 3 )Z t 1 + 1 3 Z t 2 + (Vt + 1 Vt 1 )
Yt = 0 I + 1 + 12 +... + 1s + 1s +1 Yt s 1 + 2 Z t + ( 2 1 + 3 )Z t 1 + ... +
22
S = I + 1 + 12 +... + 1s
como se trata de una progresin geomtrica infinita, nos da igual:
lm
s
S=
I
1
= (I 1 )
I 1
Yt = 0 (I 1 ) + 2 Z t + ( 2 1 + 3 )
1
r =1
r 1
1
Z t r + 1r Vt r
r =1
Multiplicador dinmico.- recoge el efecto segn pasa uno, dos, ... , s perodos
que cualquier cambio en la variable exgena tienen sobre la variable
endgena. En este modelo son:
( 2 1 + 3 )
( 2 1 + 3 ) 1
( 2 1 + 3 ) 12
; ...
MLP = 2 + ( 2 1 + 3 ) I + 1 + 12 +...
MLP = 2 + ( 2 1 + 3 )(I 1 )
simplificando tenemos:
MLP = ( 2 + 3 )(I 1 )
23
A0 YT + A1YT1 + A2 YT 2 + ..... + AS YT S = G (t )
donde,
Ytr
Ar
G (t )
Yt AYt 1 = 0
24
Yt = ct
donde,
c vector de G componentes.
escalar.
ct Act 1 = 0
(I A)ct 1 = 0
La solucin trivial es:
t 1 = 0 Yt = 0
nos exige resolver:
(I A)c = 0
Yt = d h c h th
H
h =1
donde,
dh
Yt H = CAd = [c1
c2
1t 0
0 t2
... cG ]
... ...
0 0
... 0 d1
... 0 d 2
... ... ...
... tG d G
25
Y0 = CA 0 d = Cd
d = C 1Y0
si es que C es no singular.
La solucin particular se obtiene de sustituir el valor de d en la expresin
anterior, resultando:
Yt H = CA t C 1Y0
cuyo lmite, cuando t tiende a infinito, se anular siempre que las races
caractersticas sean en valor absoluto inferiores a la unidad; es decir:
h < 1
2.5.
h = 1,2,..., G
EJEMPLO
Consideremos el modelo de determinacin de la renta:
1 1
1
0
0
0
142.1103
61.22132 7.496991 35.78810 0
0
0
0
1
26
i =1
l
10
i =1
i =1
i =1
CPt = ( 1 +
2 9
) + 3TIBt + 2 11 i 1TIBt i + 4 GGt + 2 12 i 1GGt i + (v1t + 2 i 1v3t l )
1 10
i =1
i =1
i =1
10
10
para nuestro caso no se tiene forma final de la funcin de consumo personal porque
no se cumple la condicin.
Calculemos los multiplicadores de impacto:
MITIB = 3 = 3.360504
MIGG = 4 = 0.093900
Obtengamos los multiplicadores dinmicos:
MD1RIB = 2 11 = 0.703968(4.99117) = 3.513624
10
27
1 0 0 CPt
0 1 0 IB
t
0 0 1 PBI
14243
I
1 0 0
0 0 2
0 1 0 0 0 = 0
6
0 0 1
0 0 10
=0
0 10
2 ( 10 ) = 0
se obtienen las races caractersticas siguientes:
2 = 0
10 = 0
1 = 2 = 0
3 = 10
para que el modelo sea estable debe cumplirse que i < 1 . En el modelo de la
28
Model1 OK.
3
2.-
3.-
4.-
29
2.6.
GRFICA
La ms simple es comparar los valores reales que se producen en el
futuro con los que fueron estimados con el modelo. De forma grfica se
presentan estas parejas de puntos
(Y$
, YF ) en el diagrama prediccin
realizacin.
f
f = Yf
Yf
COEFICIENTE DE JANUS
Este coeficiente se define:
1 T+H
Yf Y$f
H
f = T +1
J2 =
1 T
2
Yt Y$t )
(
T t =1
S 2f
S e$2
30
1 T+ H 2
e$
H t = T +1 t
RECM =
EMA =
e$t
t = T +1
1 T + H e$t
EPMA =
H t = T +1 Yt
Es similar al EMA, excepto que es una medida relativa. Presenta un
sesgo que favorece a los pronsticos que se encuentran por debajo de los
valores reportados.
Indica qu proporcin del error verdadero estimado es error de
prediccin.
31
RCREM =
1 T + H e$t2
H t = T +1 Yt
U=
1 T+H
(Yt Y$t ) 2
H t = T +1
1 T+ H $ 2
Y +
H t = T +1 t
1 T+H 2
Y
H t = T +1 t
Varianza(Variance Proportion)
32
serie.
3
23.0
22.5
280
22.0
21.5
260
21.0
20.5
240
20.0
220
97:07
97:08
97:09
DD
97:10
97:11
97:12
19.5
97:07
97:08
97:09
97:10
I
DDF1
97:11
97:12
IF1
300
1.4
1.2
280
DDF1
1.0
0.8
260
0.6
240
0.4
0.2
0.0
97:07
97:08
97:09
INF
97:10
INFF1
97:11
97:12
220
220
240
260
DD
280
300
33
23
1.2
1.0
22
INFF1
IF1
0.8
21
0.6
0.4
20
0.2
19
19
20
21
22
23
0.0
0.0
0.2
0.4
0.6
0.8
1.0
1.2
INF
Los grficos nos sugieren que hay mejor prediccin en la variable I, luego en la
variable DD y por ltimo en la variable INF.
ESTADSTICOS
34
MEDIA DEL VALOR ABSOLUTO DEL ERROR PORCENTUAL.GENR EPMADD = @SUM(ABS(DD-DDF1)/DD)/6 = 0.116265
GENR EPMAI = @SUM(ABS(I-IF1)/I)/6 = 0.017210
GENR EPMAINF = @SUM(ABS(INF-INFF1)/I)/6 = 3.875138
El modelo para las variables DD e I predice bien porque los estadsticos son
pequeos.
(SQR(@SUMSQ(I)/6)
CAPITULO II
SERIES DE TIEMPO
1
INTRODUCCIN
La mayora de las empresas y agentes econmicos precisan realizar
predicciones sobre el comportamiento de su evolucin y del entorno donde actan.
Estas predicciones se utilizan para tomar decisiones operativas y, a veces,
estratgicas.
El conocimiento de acontecimientos futuros estar obviamente afectado de un
alto grado de incertidumbre, lo que implica la utilizacin de probabilidades asociadas
al proceso de prediccin, y de modelos estadsticos y economtricos.
REGRESIN ESPURIA
Este problema surge porque si las dos series de tiempo involucradas presentan
tendencias fuertes (movimientos sostenidos hacia arriba o hacia abajo), el alto R2
observado se debe a la presencia de la tendencia y no a la verdadera relacin entre las
dos. Por consiguiente es muy importante averiguar si la relacin entre las variables
econmicas es verdadera o es espuria.
Como lo han sugerido Granger y Newbold : una buena regla prctica para
sospechar que la regresin estimada sufre de regresin espuria es que R2 > D-W.
Cuando las series de tiempo son no estacionarias, no se debe depender de los
valores "t" estimados. Si las series de tiempo estn cointegradas, entonces los
resultados de la regresin estimada pueden no ser espurios y las pruebas "t" y "F"
usuales son vlidas. Como lo afirma Granger: "Una prueba de cointegracin puede ser
considerada como una prueba previa para evitar situaciones de regresin espuria".
Por ejemplo: Se tiene las series anuales (1936-1972) del PNB nominal en
Estados Unidos (datos en miles de millones de dlares), y de la Incidencia del
melanoma en la poblacin masculina (datos ajustados de edad) en el estado de
800
Connecticut.
6
700
5
800
600
4
3
600
GNP
1.1.
500
400
300
400
1
0
200
200
100
0
0
1940
1945
1950
GNP
1955
1960
1965
1970
MELANOMA
MELANOMA
Coefficient
Std. Error
t-Statistic
Prob.
C
MELAMONA
118.5659
118.9808
23.72897
7.814147
4.996675
15.22633
0.0000
0.0000
R-squared
Adjusted R-squared
Log likelihood
Durbin-Watson stat
0.868836
0.865088
-204.7517
0.879122
443.6730
171.4417
231.8413
0.000000
60
40
40
20
2.0
1.5
-20
D(GNP)
20
-20
-40
1.0
-60
-40
0.5
-60
-0.5
0.0
0.0
-0.5
1940
1945
1950
1955
D(MELANOMA)
1960
1965
0.5
1.0
D(MELAMONA)
1970
D(GNP)
Coefficient
Std. Error
t-Statistic
Prob.
C
D(MELAMONA)
16.56841
0.706295
3.179332
6.585765
5.211287
0.107246
0.0000
0.9152
R-squared
Log likelihood
Durbin-Watson stat
0.000338
-155.0594
1.262415
16.65278
0.011502
0.915224
1.5
2.0
TIPOS DE PREDICCIONES
Segn el horizonte de prediccin se clasifican:
1.3.
1.4.
Muy Largo Plazo, mayor a 10 aos, para las decisiones estratgicas incluyendo
aquellas de cambio de las caractersticas principales de la empresa. Por
ejemplo: prediccin tecnolgica en apoyo de investigacin y desarrollo y
planificacin estratgica.
Medios Escasos:
Corto Plazo.- La tcnica de alisado exponencial, Medias mviles, Modelos
Nave y Desestacionalizacin.
Medio Plazo.- Ajuste de tendencia.
Medios Normales:
Corto Plazo.- ARIMA univariante, anlisis de intervencin, X-11 ARIMA y
Funciones de transferencia.
Medio Plazo.- Modelos economtricos uniecuacionales, modelos
economtricos de pequeo tamao y Modelos VAR.
Largo plazo.- Modelos con cambio estructural.
1.5.
1.6.
1.7.
1.8.
1.9.
Univariante,
Se enlaza con la ms clsica tradicin de tratamiento aislado de una
serie temporal, cuya evolucin se explica por los valores pasados de dicha serie
y un cierto trmino de error. Es decir:
( )Yt = ( ) ut
2
Funcin de transferencia,
La funcin de transferencia del filtro es el cociente de los dos
polinomiales de retardos definidos,
, de la siguiente forma:
( )
( )
Yt =
( )
u
( ) t
Yt =
j ( )
( )
X
+
j =1 ( ) jt ( ) ut
j
K
Yt =
( )
( )
Xt +
u
( ) t
( )
Intervencin,
Cuando en el modelo de funcin de transferencia las variables X jt son
ficticias.
Multivariantes,
Se trata de modelos de varias variables de salida, considerando que
todos los polinomiales pueden ser distintos (tanto en orden como en valor de
H ( ) Z t = F ( )U t
los parmetros) la expresin formal matricial condensada es:
representando m ecuaciones en retardos sobre las m series temporales con
retardos tambin en m variables de error.
Puede considerarse que los polinomiales en posiciones de diagonal
principal comienzan con la unidad, mientras que los restantes comienzan con
una potencia de ; entonces cada uno de las ecuaciones se entiende que
.
explica el comportamiento de cada una de las variables Z jt
5
Yt = V ( ) X t + ( ) ( )U t
1
1 T
(Yt Y )2 .
T t =1
2,400
2,000
1,600
1,200
800
400
1950
1955
1960
CP
1965
1970
1975
1980
1985
@MEAN(CP,"1950q1 1988q1")
%Yt =
Yt Yt 1
*100 = t 1 *100
Yt 1
Yt 1
Trimestral
Y
11Yt = t 1 *100
Yt 1
4
12
1 *100
del
ao
anterior 1 Yt = t 1 *100 1Yt =
Yt 4
Yt 12
(interanuales)
-2
0
-2
-4
1950 1955 1960 1965 1970 1975 1980 1985
TPA
TPAA
3000
2500
CP
1493.913
528.3112
35.36 %
149
7.6
2000
7.2
1500
6.8
Mean
Std. Dev.
Ratio Des./Media
Observations
LOG(CP)
7.244159
0.366872
5.06 %
149
1000
6.4
500
1955
1960
1965
CP
1970
1975
1980
1985
LOG(CP)
1960
1965
1970
1975
(LOG(CP)-LOG(CP(-1)))*100
1980
1985
TPA
Wt = B C (Yt ) = Yt
Se tiene los valores siguientes:
para 2 2
Yt2
=2
2
=
0,5
t
Ln(Yt ) para
=0
1
= 0,5
Wt = 2 Y
t
1
= 1
Yt
1
= 2
Yt
Graficando tenemos:
1/SQR(CP)
CP^2
SQR(CP)
.040
7000000
52
6000000
48
5000000
44
.032
4000000
40
.028
3000000
36
.024
2000000
32
1000000
28
24
.036
.020
.016
1955
1960
1965
1970
1975
1980
1985
1955
1955
1960
1965
LOG(CP)
1970
1975
1980
1960
1/CP
8.0
1965
1970
1975
1980
1985
1985
1/CP^2
.0014
.0000020
7.8
.0012
7.6
.0000016
7.4
.0010
7.2
.0008
.0000012
7.0
.0000008
.0006
6.8
.0004
6.6
6.4
.0000004
.0002
1955
1960
1965
1970
1975
1980
1985
1955
1960
1965
1970
1975
1980
1985
.0000000
1955
1960
1965
1970
1975
1980
1985
Deterministico
Tendencia, Estacionalidad.
Modelable
Irregulares
ADITIVO:
Yt = Tt + Ct + St + I t
2
MULTIPLICATIVO:
Yt = Tt * Ct * St * I t
3
MIXTO:
Yt = Tt * (1 + Ct ) * (1 + St ) + I t
Generalmente, el proceso de descomposicin de una serie se realiza, en el
enfoque clsico, mediante un proceso secuencial de identificacin y separacin de
componentes.
Por regla general el orden en el que se van identificando los sucesivos
componentes es el siguiente (para estructura aditiva):
3.1.
Estacionalidad
St = f (Yt )
Yt1 = Yt St
Tendencia
Tt = f (Yt1 )
Yt 2 = Yt1 Tt
Ciclo
C t = f (Yt 2 )
Componente irregular
I t = Yt 2 C t
DESESTACIONALIZACIN
Es frecuente antes de aplicar un proceso de desestacionalizacin realizar un
anlisis de LABORALIDAD y efecto PASCUA (Semana Santa).
* LABORALIDAD: Correccin de los datos originales en funcin del nmero de das
laborables de cada mes. Por ejemplo, una serie mensual se puede
homogeneizar a meses de 30 das, multiplicando los datos de
enero por 30/31, los de febrero por 30/28 o por 30/29 si el ao es
bisiesto, etc. En este tratamiento previo, se aconseja realizar un
grfico temporal de la serie.
* Efecto PASCUA: Correccin que se aplica a los meses de Abril o Marzo en funcin
de las fechas de Semana Santa.
A las series de las que se han eliminado estos efectos se les denomina SERIES
CORREGIDAS DE CALENDARIO.
Las series temporales de datos econmicos presentan generalmente
caractersticas estacionales cuando se observan a una frecuencia inferior a la anual, ya
sea mediante datos trimestrales, mensuales, bimestrales o semanales.
Estas caractersticas se deben a que las decisiones tomadas por los agentes
econmicos en un determinado trimestre (bimestre, mes, o semana) del ao puede
estar correlacionado con las decisiones tomadas en el mismo trimestre (bimestre, mes
o semana) de otros aos.
La identificacin del elemento estacional es importante cuando el objetivo es
explicar el comportamiento de la variable endgena, dado que una parte de las
fluctuaciones de esta se manifiesta por el solo hecho de encontrarse en una poca del
ao.
Tambin es importante cuando el objetivo es predecir, puesto que las
diferencias estacionales motivan que aun siendo idnticos los valores de las variables
exgenas en cada parte del ao se deber predecir diferentes valores para la variable
endgena.
Este fenmeno se puede detectar:
1
CP
70
820
60
800
780
50
760
40
740
30
720
20
92M01
92M07
93M01
93M07
94M01
700
1950
1951
1952
1953
PBIA by Season
2800
70
2400
60
2000
50
1600
40
1200
800
30
400
20
Jan
Feb
Mar
Apr
May
Jun
Jul
Aug
Sep
Oct
Nov
Q1
Q2
Q3
Q4
Dec
CP
Means by Season
Means by Season
CP by Season
2800
Jan
Feb
Mar
Apr
May
Jun
Jul
Aug
Sep
Oct
Nov
Dec
60
50
40
30
20
1992
1993
1994
2400
2000
Q1
Q2
Q3
Q4
1600
1200
800
400
1950 1955 1960
1965
1970
1975 1980
1985
25 lag
OK
View
Correlogram...
Partial Correlation
. |***** |
***| . |
.**| . |
. *| . |
. *| . |
.**| . |
. *| . |
. *| . |
. |* . |
. |* . |
. |* . |
. | . |
. | . |
. | . |
. | . |
. | . |
. | . |
. | . |
. |* . |
. *| . |
.**| . |
. *| . |
. *| . |
. *| . |
. | . |
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
AC
PAC
Q-Stat
Prob
0.672
0.234
-0.150
-0.350
-0.408
-0.398
-0.330
-0.247
-0.024
0.246
0.458
0.484
0.330
0.095
-0.133
-0.245
-0.291
-0.264
-0.141
-0.027
0.017
0.047
0.041
0.000
0.000
0.672
-0.396
-0.222
-0.069
-0.141
-0.199
-0.127
-0.177
0.160
0.127
0.115
0.031
0.001
-0.000
-0.022
0.045
-0.023
0.030
0.164
-0.066
-0.216
-0.067
-0.186
-0.176
0.033
14.927
16.798
17.596
22.131
28.534
34.869
39.414
42.085
42.112
45.015
55.594
68.113
74.278
74.816
75.956
80.088
86.322
91.891
93.636
93.705
93.735
94.000
94.235
94.235
94.235
0.000
0.000
0.001
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
visualiza que el pico del retardo 5 se repite en el retardo 17, por lo tanto,
podemos concluir que el producto bruto interno agrcola es estacional.
El correlograma del Consumo Personal Real se obtiene siguiendo la
instruccin siguiente:
Abrir el CP
lag
View
Correlogram...
Partial Correlation
.|*******|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
AC
1
2
3
4
5
6
7
8
9
0.955
0.911
0.868
0.825
0.786
0.747
0.711
0.677
0.645
PAC
Q-Stat
Prob
0.955
-0.014
-0.014
-0.012
0.008
-0.010
0.006
0.008
0.008
142.33
272.69
391.73
500.15
599.06
689.07
771.12
846.07
914.68
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
REGRESIN CON VARIABLES DUMMY.En el mtodo de regresin se utiliza una serie de variables mudas para
capturar los efectos estacionales:
Yt = 0 + 1 D1 + ..... + k Dk + Yt 1 + t
donde cada variable Di toma valores 1 en el perodo que sta representa (p. e.,
enero de cada ao) y cero en cualquier otro perodo. El modelo puede ser
extendido para incluir otras variables explicativas o un proceso ms complejo
(aunque estacionario) para el error (p. e., un ARMA).
En la medida en que los coeficientes i sean estadsticamente
significativos, habr componentes estacionales. Consecuentemente, la serie
desestacionalizada Yt SE se calcula como:
Yt SE = Yt 0 1 D1 ..... k Dk
donde i son los parmetros estimados para cada componente estacional que
resulten significativos.
Como es evidente, al modelar la estacionalidad de esta manera se asume
que el efecto estacional sea determinstico (o constante en valor esperado), es
decir, que en cada ao el cambio en la variable por razones estacionales sea
exactamente el mismo. Ello no es un supuesto adecuado para muchas de las
variables econmicas debido a que el comportamiento estacional se determina
por numerosas y muy heterogneas fuentes, lo que sugiere que ste sea
modelado como una variable aleatoria.
El uso de variables mudas para modelar estacionalidad en un anlisis de
regresin presenta el problema de inducir correlaciones espurias entre las
variables, en tanto que su uso para predecir variables en modelos de series de
tiempo (p.e., ARIMA, VAR) produce predicciones fuera de muestra que son de
peor calidad que las que se obtienen de otros mtodos (X-11 o la variacin en
x-perodos), en especial en modelos multivariados.
No obstante, este mtodo satisface algunas caractersticas que son
deseables en cualquier mtodo de remocin de estacionalidad: que se preserve
el promedio de la serie original, que los componentes estacionales sean
ortogonales entre s, y que al aplicar el mtodo a la serie desestacionalizada no
se obtengan nuevos factores estacionales (idempotencia).
Aplicando este mtodo a la serie Consumo personal real tenemos:
Dependent Variable: CP
Method: Least Squares
Sample (adjusted): 1950Q2 1988Q1
Included observations: 152 after adjustments
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
@SEAS(1)
@SEAS(2)
@SEAS(3)
CP(-1)
0.940573
2.577797
1.529906
4.609948
1.006017
3.380101
2.784144
2.784490
2.784212
0.001863
0.278268
0.925885
0.549438
1.655746
539.9100
0.7812
0.3560
0.5835
0.0999
0.0000
R-squared
0.999496
1479.040
Coefficient
Std. Error
t-Statistic
Prob.
C
@SEAS(1)
@SEAS(2)
@SEAS(3)
@SEAS(4)
@SEAS(5)
@SEAS(6)
@SEAS(7)
@SEAS(8)
@SEAS(9)
@SEAS(10)
@SEAS(11)
PBIA(-1)
-11.66865
-3.149474
4.600756
1.089949
8.744458
5.446288
-4.584691
-8.288786
-21.88337
-9.241514
-4.739175
2.503367
1.402257
3.817922
1.741879
1.631591
1.591708
1.611761
2.162990
3.175343
3.077233
3.103516
1.983766
1.756342
1.757713
0.122378
-3.056282
-1.808090
2.819797
0.684767
5.425405
2.517944
-1.443841
-2.693585
-7.051155
-4.658570
-2.698321
1.424218
11.45837
0.0075
0.0894
0.0123
0.5033
0.0001
0.0228
0.1681
0.0160
0.0000
0.0003
0.0158
0.1736
0.0000
R-squared
0.986385
37.99448
Mensuales Orden 12
Sin centrar
MM 12Yt =
1 11
Yt r
12 r =0
MMc12Yt =
1 +6
Yt r
12 r = 6
Centrada
Trimestrales Orden 4
MM 4Yt =
MMc 4Yt =
1 3
Yt r
4 r =0
1 +2
Yt r
4 r = 2
Aplicando la media mvil sin centrar al consumo personal real nos dara
los siguientes factores estacionales:
En el Eviews se sigue la instruccin siguiente:
Genr mvscp = @movav(cp,4) y se obtiene la serie desestacionalizada
empleando la media mvil sin centrar.
Genr mvccp = (0.5*cp(-2)+cp(-1)+cp+cp(+1)+0.5*cp(+2))/4 y se obtiene la
serie desestacionalizada empleando la media mvil central.
En Gretl se sigue la instruccin siguiente:
Marcamos CP
Marcamos CP
Variable
marcar
X t = 0.5Y + Y + 12
Yt + Yt 1 + 0.5Yt 2
t+2
t +1
2)
Se considera el ratio:
rt =
Yt
Xt
mensual
trimestral
3)
( )
1)
im
12 i i ...i
1 2 12
s=
im
4 i1i2 i3i4
mensuales
trimestres
Proc
average - Multiplicative
CP:
Seasonal Adjusment
OK
1.000019
0.999470
1.000848
0.999663
X t = 0.5Y + Y + 12
Yt + Yt 1 + 0.5Yt 2
t+2
t +1
2.-
mensual
trimestral
Se considera la diferencia:
d t = Yt X t
3.-
sj = ij i
En el Eviews se sigue la instruccin siguiente:
Abrir el CP
Proc
average - Additive
Seasonal Adjusment
-0.132086
-0.941545
1.444906
-0.371275
Y
Yt = * t + (1 )* Yt 1 + bt 1
st s
b = * Y Y + (1 )* b
st =
t 1
t 1
Yt
+ (1 )st s
Y
t
La prediccin es:
Yt + k = Yt + bt * k * st s + k
Vlido para series con tendencia lineal y estacionalidad. El factor
estacional no es fijo en el ajuste a periodo muestral.
Abrir el PBIA
Multiplicativo
Alpha
Beta
Gamma
Sum of Squared Residuals
Root Mean Squared Error
End of Period Levels:
0.8700
1.0000
0.0000
42.98890
1.197065
Mean
Trend
Seasonals: 1993M07
1993M08
1993M09
1993M10
1993M11
1993M12
1994M01
1994M02
1994M03
1994M04
1994M05
1994M06
49.38024
4.217104
1.406998
1.032589
0.865693
0.758299
0.807855
0.810340
0.735470
0.848620
0.874647
1.113844
1.338879
1.406765
(
(
t s
t 1
bt = * Yt Yt 1 + (1 )* bt 1
s = * Y Y + (1 )s
t
t 1
t s
La prediccin es:
Yt + k = Yt + bt * k + st s + k
Vlido para series con tendencia lineal y estacionalidad. El factor
estacional no es fijo en el ajuste a periodo muestral.
En el Eviews se sigue la instruccin siguiente:
Abrir el PBIA
Aditivo
Proc
Exponential Smoothing
Holt-Winters
Alpha
Beta
Gamma
Sum of Squared Residuals
Root Mean Squared Error
End of Period Levels:
0.9400
1.0000
0.0000
54.46170
1.347364
Mean
Trend
Seasonals: 1993M07
1993M08
1993M09
1993M10
1993M11
1993M12
1994M01
1994M02
1994M03
1994M04
1994M05
1994M06
54.92442
6.410787
14.64229
1.253542
-4.815208
-8.758958
-6.982708
-6.931458
-9.250208
-5.313958
-4.442708
4.013542
12.04479
14.54104
Estimacin de la tendencia.
Determinacin de unos coeficientes estacionales.
Estimacin de la componente aleatoria, y
Varios contrastes para detectar la estacionalidad.
Abrir el CP
Proc
Seasonal Adjusment
X11 (Historical)
OK.
OK.
Proc
Seasonal Adjusment
OK.
Tramo/Seats
se
TENDENCIA
Es un movimiento de larga duracin que se mantiene durante el perodo de
observacin. Una primera idea sobre la presencia de tendencia en la serie la
obtendremos en su representacin grfica.
En general es difcil diferenciar entre el componente tendencial y el cclico y,
habitualmente, se obtienen de forma conjunta eliminando de la serie
desestacionalizada el componente irregular, obtenindose una nueva serie denominada
de CICLO-TENDENCIA.
Se tiene los mtodos siguientes:
1
Yt CT =
1 +1 SE
Yt s
3 s = 1
Yt I = Yt SE Yt CT
En el Eviews se sigue la instruccin siguiente:
Genr mvc3cp = (cp(-1)+cp+cp(+1))/3 y se obtiene el ciclo-tendencia siguiente:
1950Q1
1951Q1
1952Q1
1953Q1
1954Q1
1955Q1
Lineal
Yt = a + b * t
Lineal
60
50
40
30
20
10
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 1516 17 18 19 20
Parbola
Parbola
150
Yt = a + b * t + c * t 2
100
50
0
1 2 3 4 5 6 7 8 9 10 1112 13 1415 1617 18 1920
Exponencial
Yt = a * b t
Ln(Yt ) = c + d * t
Exponencial
200
150
100
50
0
Potencial
200
Potencial
Yt = a * t b
Ln(Yt ) = c + d * Ln(t )
150
100
50
0
1 2 3 4 5 6 7 8 9 10 1112 1314 1516 1718 1920
LINEAL
PARBOLA
LS LOG(CP) C @TREND
LS LOG(CP) C LOG(@TREND)
EXPONENCIAL
POTENCIAL
Yt = 551.89 +11.976*t
Equation
R-Squared
R-Square Adjusted
Sum Square Error
(SSE)
0.982551
0.999980
760146.960164
0.024479
Coefficient
Std. Error
t-Statistic
Prob.
C
@TREND
@SIN(O)
@COS(O)
@TREND*@SIN(O)
@TREND*@COS(O)
563.7933
11.97613
6.007610
2.679173
-0.080349
-0.020915
11.56697
0.131602
16.48854
16.22456
0.187892
0.184291
48.74167
91.00294
0.364351
0.165131
-0.427635
-0.113487
0.0000
0.0000
0.7161
0.8691
0.6695
0.9098
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
2.-
0.982576
0.981984
71.85795
759044.1
-868.0650
0.033761
1474.026
535.3530
11.42569
11.54453
1657.947
0.000000
2t
2t
2t
Yt = 0 + 1t + 2 t 2 + 3 sen + 4 cos + 5tsen +
w
w
w
2t
2t
2t
6 t cos + 7 t 2 sen + 8 t 2 cos + ut
w
w
w
donde w es el nmero de observaciones en un ao.
LS
CP
Coefficient
Std. Error
t-Statistic
Prob.
C
@TREND
@TREND^2
@SIN(O)
@COS(O)
@TREND*@SIN(O)
@TREND*@COS(O)
@TREND^2*@SIN(O)
@TREND^2*@COS(O)
696.2372
6.716405
0.034602
0.011491
-1.803156
0.018841
0.086830
-0.000200
-0.000709
9.007112
0.273801
0.001744
12.93618
12.52636
0.393081
0.380987
0.002504
0.002425
77.29860
24.53023
19.84635
0.000888
-0.143949
0.047933
0.227907
-0.079986
-0.292256
0.0000
0.0000
0.0000
0.9993
0.8857
0.9618
0.8200
0.9364
0.7705
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.995339
0.995080
37.55118
203053.1
-767.1926
0.104706
1474.026
535.3530
10.14631
10.32457
3843.774
0.000000
Yt = * Yt + (1 )* Yt 1
N 1
s
Yt = * (1 ) Yt s
s =0
Prediccin:
Yt + k = Yt
k > 0
Single
OK y se
0.9990
1345.407
6.696782
Mean
69.42131
( )
Yt1 = * Yt + (1 )* Yt1
Y = * Y 1 + (1 )* Y
t
t 1
Prediccin:
k 1
k
* Yt 1 +
* Yt =
Yt + k = 2 +
(
1
)
(
1
= 2 * Yt1 Yt +
Yt1 Yt k
(1 )
Vlido para series con tendencia lineal. La prediccin es una recta con
ordenada en el origen 2 * Yt1 Yt y pendiente Yt1 Yt (1 ).
Double
0.8560
1320.795
6.635247
Mean
Trend
69.53286
10.11279
Yt = * Yt + (1 )* Yt 1 + bt 1
b = * Y Y + (1 )* b
t 1
t 1
Y1 = Y1 ; b1 = 0
Y2 = Y2 ; b2 = (Y2 Y1 )
La prediccin es:
Yt + k = Yt + bt * k
Vlido para series con tendencia lineal. La prediccin es una recta con
ordenada en el origen Yt1 y pendiente bt .
En el Eviews se sigue la instruccin siguiente:
Abrir el PBIA
Seasonal
Proc
Exponential Smoothing
Holt-Winters-No
Alpha
Beta
Sum of Squared Residuals
Root Mean Squared Error
End of Period Levels:
1.0000
0.8100
1002.241
5.779969
Mean
Trend
69.43000
9.713274
Tt = Yt 2
((
) (
2
Min Yt1 Yt 2 + Yt+21 Yt 2 Yt 2 Yt 21
t =1
t =2
))
Donde:
0
1 2 1
0 1 2 1
AYt 2 = 0 0
1 2
M
M
M M
0 0
0
0
0
0
1
M
0
L
L
L
O
L
0 0
0 0
0 0
M M
1 2
0 Y12
0 Y22
0 * Y32
M M
1 Yn2
OK y se muestra
80
1000
40
500
0
-40
-80
1950 1955 1960 1965 1970 1975 1980 1985
CP
2.-
Trend
Cycle
Abrir CP
Proc
Frecuency Filter
OK y se muestra el
1.2
2500
1.0
2000
0.8
80
1500
40
1000
500
0.4
0.2
-40
0.0
-80
1950
-0.2
1955
1960
CP
3.-
0.6
1965
1970
1975
Non-cyclical
1980
1985
Cycle
.0
.1
.2
Actual
.3
.4
.5
cycles/period
Ideal
1.2
1.0
2000
0.8
80
1500
40
1000
500
0.0
1955
1960
1965
CP
3.3.
0.4
0.2
-40
-80
1950
0.6
1970
1975
Non-cyclical
1980
1985
.0
.1
.2
Cycle
.3
Actual
.4
.5
cycles/period
Ideal
CICLO
Para extraer y predecir el componente cclico se utiliza el ajuste de funciones
peridicas.
Una funcin peridica es aquella que repite sus valores en el tiempo cada p
periodos y puede venir expresada como:
2p
Yt = A * cos
+
N
1,5
1
A
0,5
0
-0,5 1
15 22 29 36 43 50 57 64 71 78 85 92 99
T
-1
-1,5
donde:
DESFASE = PI/2
1,5
1
A
P
amplitud de la oscilacin.
perodo.
desfase.
nmero total de observaciones.
0,5
0
-0,5 1
-1
-1,5
15 22 29 36 43 50 57 64 71 78 85 92 99
Yt = * cos(0 * p * t ) + * sen(0 * p * t )
0 es lo que se denomina frecuencia bsica y es igual a 2 * / N .
Paso 1: Identificar el nmero de mximos (mnimos) cclicos p y construir las series:
Yt = 1 * COSPt + 2 * SENPt
Paso 3: Calcular los errores (residuos) y si tienen comportamiento cclico repetir el
proceso aadiendo nuevos trminos al modelo.
Para determinar el valor del periodo p, podramos utilizar, como primera
aproximacin, el nmero de mximos (o mnimos) locales que presenta la serie a
analizar.
4
COS(2*PI*@TREND/(200/10))
1.5
1.5
1.0
1.0
0.5
0.5
0.0
0.0
-0.5
-0.5
-1.0
-1.0
-1.5
-1.5
20
40
60
80
-40
-20
20
40
Yt = ( a p cos i t + bi sen i t ) + t
i =1
i =
2pi
N
pi = 1,..., k
N si N es par
k = (N 1)2
si N es impar
2
a p =
N
Yt
t =1 N
Y cos p t
t =1
2
b p =
N
a 0 =
Y sen p t
t =1
I ( p ) =
(a 2p + b p2 )
2 0
0.0
1.5
1.0
-0.2
1.0
0.5
0.5
-0.4
0.0
0.0
-0.6
-0.5
-0.5
-0.8
-1.0
-1.0
-1.5
-1.0
20
40
60
80
-1.5
20
40
60
80
Tendencia
4
0
0
50
100
150
1.5
1.0
15
PERDG
0.5
0.0
10
-0.5
5
-1.0
0
-1.5
20
40
60
80
50
100
150
FREC
12000
10000
80
8000
PERDG
60
40
6000
4000
20
2000
0
0
20
40
60
80
50
100
150
FREC
1.4
1.2
1.0
PERDG
1
0
0.8
0.6
-1
0.4
-2
0.2
0.0
-3
20
40
60
80
100
120
140
160
180
200
50
100
150
FREC
2.-
hY ( ) =
1 + b1e i + b2 e i 2 + ... + bq e iq
1 + a1e i + a 2 e i 2 + ... + a p e ip
2
2
PROCESO ESTOCSTICO
Siempre que estudiamos el comportamiento de una variable aleatoria a lo largo
del tiempo, estamos ante un proceso estocstico. En general, trabajamos con procesos
estocsticos en cualquier caso en que intentamos ajustar un modelo terico que nos
permita hacer predicciones del comportamiento futuro de un proceso.
Si podemos encontrar patrones de regularidad en diferentes secciones de una
serie temporal, podremos tambin describirlas mediante modelos basados en
distribuciones de probabilidad.
1.2.3.-
{yt} , donde t= -4, ..., -2, -1, 0, 1, 2, ... 4. Dos ejemplos de PED podran ser: El ruido
blanco y el camino aleatorio.
Consideremos el PED {y-4, ...y1,...yT,...,y4} y centrmonos en dos de sus
miembros: yt y yt-k. Este PED se denomina estacionario de un tipo particular si
determinadas propiedades estocsticas de yt y yt-k no dependen de t y t-k (su ubicacin
E [Yt ] = Y
Var (Yt ) = Y2
)(Y
t2
Y = ( t1 t2
PRUEBA DE ESTACIONARIEDAD
Existen varias pruebas para verificar estacionariedad y se clasifican en los tipos
siguiente:
5.1.
2
3
cual la serie va oscilando pero sin alejarse de forma permanente de dicho valor,
entonces se puede considerar que la serie es estacionaria en media.
Si los coeficientes de AC no decaen rpidamente sera un indicio claro de que
la serie es no estacionaria.
El primer coeficiente de PAC es significativo (es decir, mayor o igual a 0.9)
entonces la serie es no estacionaria.
1955
1960
CP
1965 1970
1975
1980
1985
@MEAN(CP,"1950q1 1988q1")
Segn el correlograma del consumo personal agregado real cae lentamente, por
lo tanto no es estacionaria.
Abrir la serie
12 lag
OK
View
Correlogram...
Partial Correlation
.|*******|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
AC
1
2
3
4
5
6
7
8
9
10
11
12
0.955
0.911
0.868
0.825
0.786
0.747
0.711
0.677
0.645
0.616
0.590
0.565
PAC
Q-Stat
Prob
0.955
-0.014
-0.014
-0.012
0.008
-0.010
0.006
0.008
0.008
0.011
0.012
0.010
142.33
272.69
391.73
500.15
599.06
689.07
771.12
846.07
914.68
977.69
1035.8
1089.5
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
1955 1960
D(CP)
1965 1970
1975
1980
1985
@MEAN(D(CP),"1950q1 1988q1")
Abrir la serie
y se
|
|
|
|
|
|
|
|
|
|
|
|
Partial Correlation
.|**
.|*
.|*
.|*
*|.
.|.
.|.
**|.
.|.
.|.
.|.
.|.
|
|
|
|
|
|
|
|
|
|
|
|
1
2
3
4
5
6
7
8
9
10
11
12
AC
PAC
Q-Stat
Prob
0.204
0.223
0.217
0.165
0.021
0.077
0.049
-0.151
0.018
-0.011
-0.023
-0.072
0.204
0.189
0.153
0.075
-0.089
0.013
0.010
-0.193
0.058
0.023
0.021
-0.046
6.4803
14.251
21.681
26.010
26.082
27.021
27.408
31.104
31.156
31.176
31.267
32.134
0.011
0.001
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.001
0.001
0.001
Yt = Yt 1 + ut
(1)
Yt = Yt 1 + ut
y se encuentra que
raz unitaria.
=1
(2)
Yt
tiene una
Yt 1
Yt Yt 1 = Yt 1 Yt 1 + ut
y sacando factor comn, resulta:
Yt = ( 1)Yt 1 + ut
Yt = Yt 1 + ut
Entonces, tendramos la siguiente implicacin con la prueba de hiptesis:
H0 : = 1 H0 : = 0
H0 : < 1 H0 : < 0
Cuando las series en una regresin no son estacionarias, el uso del estadstico t
para contrastar hiptesis = 0 es inadecuado pues este no sigue la distribucin t
Student. Esta tabla es limitada, pero Mac Kinnon prepar tablas ms extensas, que
estn incorporadas en el Eviews.
Adems de probar si una serie es una caminata aleatoria, Dickey y Fuller
desarrollaron tambin valores crticos para la presencia de una caminata aleatoria con
desplazamiento y con tendencia determinstica, es decir bajo tres distintas hiptesis
nulas:
Yt = Yt 1 + t
Yt = 0 + Yt 1 + t
Yt = 0 + Yt 1 + 2 t + t
Series como Yt , las cuales se convierten en estacionarias despus de tomar la
primera diferencia, se conocen como integradas de orden 1 y se designa como I(1).
Las series estacionarias son series integradas de orden 0, I(0).
En general, si una serie debe ser diferenciada d veces para alcanzar
estacionaridad se dice que es integrada de orden d o I(d).
5.2.2. DICKEY FULLER AUMENTADO
Al realizar la prueba de DF se supuso que el trmino de error t no estaba
correlacionado.
Dickey y Fuller, Said y Dickey (1984), Phillips y Perron (1988) y otros,
yt = 0 + 1 yt 1 + 2 yt 2 +....+ p yt p + t
adicionando y sustrayendo el trmino
p yt p +1
, nos resulta:
yt = 0 + yt 1 + i yt i +1 + t
i =2
donde,
Donde
i =1
= 1 i
y i = j .
j =i
yt = yt 1 + i yt i +1 + t
i =2
p
yt = 0 + yt 1 + i yt i +1 + t
i =2
p
yt = 0 + yt 1 + i yt i +1 + 2 t + t
i =2
5.2.3.
Yt = + Yt 1 + t + t
( ( ))
2 T ( f 0 0 ) se
~
t = t 0
1
f0
2 f0 2 s
1
()
PRUEBA
DE DICKEY FULLER CON ELIMINACION DE LA
TENDENCIA (DFGLS)
En los test anteriores, se puede optar por incluir una constante, o una constante
y una tendencia en el tiempo lineal, en la prueba de regresin ADF. Para estos dos
casos, el ERS (1996) proponen una simple modificacin de las pruebas de ADF en el
que los datos son sin tendencias a fin de que las variables explicativas son "sacadas"
de los datos antes de ejecutar la prueba de regresin.
ERS define una cuasi-diferencia de Yt que depende del valor que representa la
alternativa punto concreto contra el que deseamos probar la hiptesis nula:
Yt
D (Yt a ) =
Yt aYt 1
if t = 1
if t > 1
D (Yt a ) = D ( X t a ) (a ) + t
que X t contiene ya sea una constante, o una constante y la tendencia, y (a ) son las
estimaciones de MCO de esta regresin.
Todo lo que necesitamos ahora es un valor para a . ERS recomienda el uso de
a = a , cuando:
1 7
if X t = {1}
T
a=
1 13.5 T if X t = {1, t}
Definimos ahora el GLS sin tendencia de datos Yt d , utilizando las estimaciones
relacionadas con a :
Yt d = Yt X t (a )
Entonces la prueba DFGLS consiste en calcular la ecuacin siguiente:
Yt d = Yt d1 + 1 Yt d1 + ..... + p Yt d p + t
Si bien el DFGLS que es el ratio t sigue una distribucin de Dickey-Fuller, en
el caso de nica constante, la distribucin asinttica es diferente cuando se incluyen
tanto una constante y tendencia. ERS simula los valores crticos de la estadstica de
prueba en este escenario para T = {50,100,200, }. La hiptesis nula es rechazada por
los valores que caen por debajo de estos valores crticos.
5.2.5.
LM = S (t ) / T 2 f 0
2
t =1
S (t ) = ur
r =1
D (Yt a ) = D (X t a ) (a ) + t
= (Yt d1 ) / T 2
T
t =2
( )
MZ ad = T 1 YTd
f 0 / (2 )
MZ = MZ a MSB
d
t
MSB = ( / f 0 )
( ))
( ))
c 2 c T 1 YTd 2 / f 0
MP = 2
2
c + (1 c )T 1 YTd / f 0
d
T
donde:
if X t = {1}
if X t = {1, t}
if X t = {1}
7
c =
13.5 if X t = {1, t }
5.2.9.
EJERCICIO
Considerando el consumo personal agregado real y observando su ploteo con la
media, deducimos que tiene tendencia e intercepto, adems consideramos cuatro
rezagos y el criterio Schwarz para elegir el retardo ptimo.
Tipo de Test
Estadstico
t
Valor crtico
1%/5%
NIVELES
Hiptesis Nula: Existe raz unitaria (no estacionaria)
Dickey-Fuller Aumentado (ADF)
-1.117406 -4.019561 / -3.439658
Elliott-Rothenberg-Stock (DF-GLS)
-0.809523
-3.520000 / -2.980000
Phillips-Perron (PP)
-1.451289
-4.019561 / -3.439658
Elliott-Rothenberg-Stock punto ptimo.
94.95858
4.148700 / 5.650600
Hiptesis Nula: No existe raz unitaria (estacionaria)
Kwiatkowski-Phillips-Schmidt-Shin
0.289358
0.216000 / 0.146000
Existe Raz
Unitaria?
Nivel de significancia
1%
5%
SI
SI
SI
NO
SI
SI
SI
NO
SI
SI
Tipo de Test
Estadstico
t
Valor crtico
1%/5%
PRIMERA DIFERENCIA
Hiptesis Nula: Existe raz unitaria (no estacionaria)
Dickey-Fuller Aumentado (ADF)
-4.625715 -3.474567 / -2.880853
Elliott-Rothenberg-Stock (DF-GLS)
-4.546566
-2.580574 / -1.942982
Phillips-Perron (PP)
-10.75407
-3.473967 / -2.880591
Elliott-Rothenberg-Stock punto ptimo.
0.935116
1.929200 / 3.141200
Hiptesis Nula: No existe raz unitaria (estacionaria)
Kwiatkowski-Phillips-Schmidt-Shin
0.496796
0.739000 / 0.463000
Existe Raz
Unitaria?
Nivel de significancia
1%
5%
NO
NO
NO
SI
NO
NO
NO
SI
NO
NO
CAMBIO ESTRUCTURAL
Nos interesa evaluar la presencia de un cambio en alguno de los elementos
determinsticos que caracterizan a la serie: el intercepto, y/o la tendencia. Es decir,
tenemos los modelos siguientes:
Yt = 0 + 1 Dt + u t
Yt = 0 + 1t + 2 Dt t + u t
Yt = .0 + 1 Dt + 2 t + 3 Dt t + u t
Zivot y Andrews (1992) elaboraron un test en la que la fecha del punto de
EJERCICIO
Considerando el consumo personal agregado real y aplicando el programa de
Zivot y Andrews, nos da el resultado siguiente:
GRFICO N01
GRFICO N02
18000
-1
16000
-2
14000
12000
-3
10000
8000
-4
6000
4000
-5
25
50
75
100
FT
125
150
30
40
50
FM
70
80
ZIVOTM
GRFICO N03
-1.5
60
GRFICO N04
-2.0
-2.4
-2.0
-2.8
-2.5
-3.2
-3.0
-3.6
-4.0
-3.5
-4.4
-4.0
-4.8
-5.2
-4.5
30
40
50
60
70
ZIVOTT
80
30
40
50
60
70
ZIVOT
80
E ( t ) = 0 , Var ( t ) = 2 , Cov ( t t k ) = 0
k 0.
Yt = u + t 1 t 1 2 t 2 ..... q t q
en forma simplificada es:
Yt = u + ( B) t
donde B es un operador de cambio hacia atrs (impone un retardo temporal de
un periodo cada vez que se aplica a una variable).
Este proceso seala que la influencia sobre la variable
esencialmente por errores.
Yt
es
Yt
que la
i =1
2
i
entonces los i son cada vez menores a medida que aumenta i. Esto implica
k decrece a
MA(1)
Yt = u + t 1 t 1
las caractersticas del proceso son:
E(Yt ) = u
0 = 2 (1 + 12 )
1 = 1 2
K = 0 K > 1.
1 =
1
1 + 12
1 < 1
. La funcin de
K = 0 K
> 1.
( ) (1 )
=
K
presenta
un
*
K
decrecimiento
2
1
1 2 K+ 2
exponencial
porque
. Los
1 < 1
correlogramas
elogramas de un proceso de promedio mvil de primer orden son:
1.2.
MA(2)
1-1 2-22
las caractersticas del proceso son:
E(Yt ) = u
0 = 2 (1 + 12 + 22 )
1 = 1 (1 2 ) 2
K = 0
2 = 2 2
K > 2.
2 + 1 < 1
2 1 < 1
2 < 1
1 (1 2 )
2
2 =
2
2
1+ 1 + 2
1+ 12 + 22
K = 0
K > 2.
1 =
Yt
( B)Yt = + t
donde B es un operador de cambio hacia atrs (impone un retardo temporal de
un periodo cada vez que se aplica a una variable).
Los valores anteriores, pueden estar incluyendo
tendenciales, cclicos, y / o estacionales de la serie.
los
factores
u = E (Yt ) =
1 1 2 ..... p
p
i =1
sea
AR(1)
Yt = + 1Yt 1 + t
las caractersticas del proceso son:
u=
1 1
2
0 =
1 12
1 = 1 0
2 = 12 0
......... K = 1K 0
k = 1K
y la funcin de autocorrelacin parcial es:
1 < 1
. La funcin de
1* = 1
K* = 0
K = 2, 3,
2.2.
AR(2):
Yt = + 1Yt 1 + 2 Yt 2 + t
las caractersticas del proceso son:
u=
0 = 1 1 + 2 2 + 2
1 1 2
1 = 1 K1+ 2 K 2
K > 0
2 1 < 1
2 < 1
1
1 2
K = 1 K 1 + 2 K 2
K >1
1
1 2
*2 = 2
*K = 0
K>2
Modelo de Autoregresivo de Media Mvil de orden (p,q).En estos modelos el proceso Yt es una funcin tanto de los errores
pasados como de sus valores pasados, as como de un trmino de error
correspondiente al periodo presente. Es decir, la observacin actual ( Yt ) es
generada por una media ponderada de observaciones anteriores que se
remontan p periodos en el pasado y una media ponderada de perturbaciones
aleatorias con un retardo de q periodos, junto con una perturbacin aleatoria
correspondiente al periodo actual. El modelo ARMA(p,q) se escribe:
Yt = + 1Yt 1 + 2Yt 2 + .....+ pYt p + t 1 t 1 2 t 2 ..... q t q
( B)Yt = + ( B) t
1 1 2 ..... p
P
i =1
sea
diferente a uno.
ARMA(1,1)
Yt = + 1Yt 1 + t 1 t 1
u=
1 1
1 + 12 2 1 1 2
0 =
1 12
1 = 1 0 - 1 2
K = 1 k 1
K >1
Modelo Integrado de Media Mvil de orden (0,d,q).El proceso d Yt queda descrito completamente por una suma
ponderada de los errores actuales y pasados. Es decir, cada observacin
de la serie diferenciada es generada por una media ponderada de
perturbaciones aleatorias con un retardo de q periodos.
Escribimos el modelo IMA(0,d,q) as:
d Yt = u + t 1 t 1 2 t 2 ..... q t q
en forma simplificada es:
d Yt = u + ( B) t
Modelo de Autoregresivo Integrado de orden (p,d,0).El proceso d Yt depende de una suma ponderada de sus valores
pasados y de un trmino de error. Es decir, la observacin actual ( d Yt )
es generada por una media ponderada de observaciones anteriores que se
remontan p periodos en el pasado, junto con una perturbacin aleatoria
correspondiente al periodo actual.
El modelo ARI(p,d,0) sera:
d Yt = + 1 d Yt 1 + 2 d Yt 2 + .....+ p d Yt p + t
en forma simplificada es:
( B) d Yt = + t
donde B es un operador de cambio hacia atrs (impone un retardo
temporal de un periodo cada vez que se aplica a una variable).
3
Modelo de Autoregresivo Integrado de Media Mvil de orden (p,d,q).En estos modelos el proceso d Yt es una funcin tanto de los
errores pasados como de sus valores pasados, as como de un trmino de
error correspondiente al periodo presente. Es decir, la observacin actual
( d Yt ) es generada por una media ponderada de observaciones anteriores
que se remontan p periodos en el pasado y una media ponderada de
perturbaciones aleatorias con un retardo de q periodos, junto con una
perturbacin aleatoria correspondiente al periodo actual.
El modelo ARIMA(p,d,q) se escribe:
d
Yt = + 1 Yt 1 + 2 Yt 2 + . . . . .+ p Yt p + t 1 t 1 2 t 2 . . . . . q t q
( B) d Yt = + ( B) t
donde B es un operador de cambio hacia atrs (impone un retardo
temporal de un periodo cada vez que se aplica a una variable).
Lo que se hace cuando se posee una serie no estacionaria, es
trabajar con la serie diferenciada (modificada a estacionaria),
identificando un modelo para esta serie. Si se ha llevado un anlisis de
prediccin para las series diferenciadas, es sencillo traducir las
predicciones obtenidas para estas series en predicciones para las series
originales.
8.1.
IDENTIFICACIN
I.-
Serleccionar d
1
Ploteo de la serie con respecto a su media.Cuando la serie muestra una tendencia persistente o bien deambula hacia
arriba o hacia abajo sin mostrar afinidad hacia un nivel determinado, ser una
serie no estacionaria en media.
Primer Coeficiente Autocorrelacin Parcial.Si el primer coeficiente de autocorrelacin parcial es significativo ( 0.9 )
entonces la serie es no estacionaria.
Si la serie es no estacionaria sera necesario en general tomar alguna
diferencia.
Las consecuencias de aplicar un nmero de diferencias mayor que el
necesario han sido que el modelo sea no invertible y con una varianza mayor que
si se hubiera aplicado un nmero de diferencias correcto. Sin embargo, siempre
ser estacionario.
Si al estimar un modelo, en la parte de medias mviles se obtiene alguna
o algunas races cercanas a uno sera indicativo de que ha existido
sobreidentificacin de la serie.
Para elegir la diferenciacin adecuada se calcula la varianza de la serie
original y de la serie sometida a diferentes diferenciaciones, tomndose la
diferencia para la cual la varianza es mnima.
EJEMPLO:
Para identificar el modelo se considerar la serie Indice de Precio al Consumidor
(IPC) y la informacin que se tiene es de enero de 1986 a diciembre de 1997.
Esta informacin se dividir de la siguiente manera:
Perodo de retardo
1986:01 - 1989:12
Perodo de estimacin
1990:01 - 1996:12
Perodo de prediccin
1997:01 - 1997:12
Lo primero que tenemos que hacer es cambiar la muestra al perodo de
estimacin, con la instruccin siguiente: SMPL 1990:01 1996:12
y se empieza el anlisis:
1
120
110
100
90
80
90
91
IPC
92
93
94
95
96
@MEAN(IPC,"1990:01 1996:12")
1.5
1.0
0.5
0.0
-0.5
90
91
92
93
94
95
96
D(IPC)
@MEAN(D(IPC),"1990:01 1996:12")
II.-
Elegir
=1
=0
0< < 1
no se transforma la serie
se aplica logaritmos neperianos a la serie
se eleva la serie a un exponente fraccionario
Ploteo de la serie.Es relativamente frecuente que a medida que aumenta el nivel, aumente
tambin la dispersin, siendo en ese caso = 0 .
Grfico rango - media.Si los datos son de carcter estacional, se suele tomar la longitud del
intervalo igual a la del perodo estacional; as para datos mensuales cada uno de
los intervalos tendr una longitud de doce datos. En el grfico rango - media se
tiene las alternativas siguientes:
Si los correspondientes puntos estn ms o menos alineados en torno a
una lnea recta con pendiente ascendente sera indicativo de que las serie es no
estacionaria en varianza.
Puede ocurrir que los datos no sean sensibles a la eleccin de , en este
caso el grfico rango - media de la serie y el correspondiente de la serie
transformada seran muy similares; por lo tanto, la serie es estacionaria en
varianza.
Cuando la serie es no estacionaria en varianza entonces la transformacin
apropiada es aplicar logaritmos neperianos a la serie.
EJEMPLO:
Observando el grfico de la primera diferencia del Indice de Precio al
Consumidor podemos concluir que la primera diferencia del IPC es estacionaria en
varianza porque no presenta una tendencia definida.
2.0
1.5
1.0
0.5
0.0
-0.5
90
91
92
93
94
95
96
D(IPC)
0.470917
0.423583
0.432417
0.419583
0.387667
0.402833
0.312333
0.398476
0.400780
0.476136
0.239348
0.284007
0.319041
0.237868
================================
Se realiza un grfico de dispersin de la media y la desviacin estndar de la
primera diferencia del indice de precio al consumidor y se deduce que la primera
diferencia del indice de precio al consumidor es estacionaria en varianza porque se
puede aproximar a una lnea horizontal.
0.5
0.4
DS
0.3
0.2
0.1
0.0
0.0
0.1
0.2
0.3
0.4
0.5
MEDIA
igual a uno.
Identificar p y q
La identificacin del proceso estocstico consiste en comparar el comportamiento
de las funciones de autococrrelacin muestral con las funciones de autocorrelacin
tericas correspondientes a distintos modelos tericos con los que puede guardar
similitud, teniendo en cuenta que nunca cabe esperar una similitud perfecta debido a
errores de muestreo.
Las caractersticas de las funciones de autocorrelacin de los modelos tericos
son:
F. A.
AC
PAC
MODELO
AR(p)
MA(q)
Se anula para
superiores a q.
retardos
Correlogram of D(IPC)
==============================================================
Sample: 1990:01 1996:12
Included observations: 84
==============================================================
Autocorrelation Partial Correlation
AC
PAC
Q-Stat
Prob
==============================================================
. | .
|
. | .
|
1
0.046
0.046
0.1826
0.669
**| .
|
**| .
|
2
-0.198 -0.200
3.6207
0.164
.*| .
|
. | .
|
3
-0.066 -0.048
4.0047
0.261
. | .
|
.*| .
|
4
-0.046 -0.084
4.1997
0.380
.*| .
|
**| .
|
5
-0.184 -0.212
7.2953
0.200
. |*.
|
. |*.
|
6
0.178
0.178
10.235
0.115
. | .
|
.*| .
|
7
-0.001 -0.122
10.235
0.176
. | .
|
. | .
|
8
0.001
0.061
10.235
0.249
.*| .
|
**| .
|
9
-0.186 -0.242
13.581
0.138
.*| .
|
.*| .
| 10
-0.153 -0.169
15.860
0.104
. | .
|
.*| .
| 11
-0.048 -0.062
16.090
0.138
. |**** |
. |**** | 12
0.541
0.492
45.419
0.000
. | .
|
.*| .
| 13
0.018
-0.121
45.452
0.000
.*| .
|
. | .
| 14
-0.104
0.004
46.574
0.000
. | .
|
. | .
| 15
-0.018 -0.027
46.607
0.000
. |*.
|
. |*.
| 16
0.068
0.184
47.093
0.000
.*| .
|
. |**
| 17
-0.069
0.202
47.611
0.000
. |*.
|
.*| .
| 18
0.094
-0.127
48.574
0.000
. | .
|
. | .
| 19
0.029
0.016
48.665
0.000
. | .
|
.*| .
| 20
0.003
-0.068
48.666
0.000
**| .
|
. | .
| 21
-0.269 -0.013
56.948
0.000
**| .
|
.*| .
| 22
-0.192 -0.152
61.245
0.000
. | .
|
. |*.
| 23
0.054
0.115
61.597
0.000
. |*** |
. |*.
| 24
0.386
0.067
79.508
0.000
. | .
|
. | .
| 25
-0.022 -0.008
79.566
0.000
.*| .
|
. | .
| 26
-0.075 -0.048
80.274
0.000
. | .
|
. | .
| 27
-0.009 -0.032
80.283
0.000
. | .
|
. | .
| 28
-0.038 -0.027
80.468
0.000
.*| .
|
. | .
| 29
-0.058
0.002
80.910
0.000
. |*.
|
. | .
| 30
0.143
0.038
83.656
0.000
. | .
|
.*| .
| 31
0.052
-0.121
84.028
0.000
. | .
|
.*| .
| 32
-0.032 -0.068
84.169
0.000
.*| .
|
. |*.
| 33
-0.163
0.068
87.923
0.000
.*| .
|
. | .
| 34
-0.173
0.001
92.222
0.000
. | .
|
.*| .
| 35
-0.014 -0.082
92.252
0.000
. |**
|
. | .
| 36
0.266
-0.029
102.88
0.000
==============================================================
IV.-
H0 : u = 0
H1: u 0
el estadstico es:
t=
Y
SY2
T1
t0.05( T 1)
SY2
(1 + 2 p1 + 2 p2 + .....+ 2 pk )
T
seleccionando k de forma que se incluyan los coeficientes que sean significativos.
Cuando se obtiene un resultados negativo no es aplicable.
EJEMPLO:
Aplicando en el Eview la instruccin siguiente:
Show D(IPC) View Tests for Descriptive Stats Simple Hypothesis Tests
se escribe cero en Mean OK
el software nos muestra el resultado siguiente:
Hypothesis Testing for D(IPC)
Sample: 1990:01 1996:12
Included observations: 84
==============================================
Test of Hypothesis: Mean = 0.000000
==============================================
Sample Mean
= 0.407048
Sample Std. Dev.
= 0.337263
Method
Value
Probability
t-statistic
11.06157
0.0000
==============================================
La hiptesis es:
H0 : u = 0
H1: u 0
el estadstico es:
t = 1106157
.
<
t 0.05(83) = 198895978
.
ESTIMACIN
El
objetivo
= ( 1 , 2 ,..., p )
es
S ( , ) =
t =1
2
t
t = ( B)Yt
t = ( B) d Yt
ARI(p,d,0)
AR(p)
t = ( B) 1 (Yt )
t = ( B) 1 ( d Yt )
IMA(0,d,q)
t = ( B) 1 ( ( B)Yt )
ARMA(p,q)
MA(q)
t = ( B) 1 ( ( B) d Yt ) ARIMA(p,d,q)
esta estimacin es difcil, puesto que:
1
EJEMPLO:
Vamos a estimar el modelo identificado en la primera etapa, entonces en el
Eview la instruccin ser:
LS D(IPC) C AR(2) AR(5) AR(9) AR(12) AR(17) MA(2) MA(12)
MA(21) MA(24) MA(36)
el software nos muestra el resultado siguiente:
Dependent Variable: D(IPC)
Method: Least Squares
Sample: 1990:01 1996:12
Included observations: 84
Convergence achieved after 12 iterations
Backcast: 1987:01 1989:12
===================================================
Variable
Coefficient
Std. Error
t-Statistic
Prob.
===================================================
C
0.391999
0.030395
12.89674
0.0000
AR(2)
-0.111367
0.077757
-1.432242
0.1563
AR(5)
-0.241520
0.090560
-2.666954
0.0094
AR(9)
-0.142188
0.061791
-2.301134
0.0242
AR(12)
0.727170
0.076908
9.454997
0.0000
AR(17)
0.100439
0.091284
1.100285
0.2748
MA(2)
0.052647
0.110208
0.477701
0.6343
MA(12)
-0.439483
0.136380
-3.222487
0.0019
MA(21)
-0.182570
0.110103
-1.658166
0.1016
MA(24)
0.329299
0.124243
2.650444
0.0099
MA(36)
0.204430
0.146489
1.395533
0.1671
===================================================
R-squared
0.682469
Mean dependent var 0.407048
Adjusted R-squared 0.638972
S.D. dependent var
0.337263
S.E. of regression
0.202646
Akaike info criter
-0.233161
Sum squared resid
2.997785
Schwarz criterion
0.085160
Log likelihood
20.79278
F-statistic
15.68989
Durbin-Watson stat 1.841697
Prob(F-statistic)
0.000000
===================================================
Inverted AR Roots
.95
.85+.49i
.85 -.49
.54+.40i
.54 -.4
.49+.85i
.49 -.85
-.03 -.98i
-.03+.98 -.21+.65i -.21 -.65
-.47+.84i
-.47 -.8
-.66
-.83+.50i
-.83 -.50i
-.99
Inverted MA Roots
.97+.08 .97 -.08
.89 -.25
.89+.25i
.88 -.4
.88+.41i
.81 -.56
.81+.56i
.64 -.6
.64+.65i
.57+.80i
.57 -.80i
.41+.90
.41 -.90
.24+.87i
.24 -.87i
.08+.99
.08 -.99 -.09+.97i
-.09 -.97i
-.23 -.8
-.23+.89i -.42 -.88
-.42+.88i
-.55+.81 -.55 -.81 -.66 -.65
-.66+.65i
-.79+.56 -.79 -.56 -.88+.23i
-.88 -.23i
-.89+.42 -.89 -.42 -.98+.09i
-.98 -.09i
===================================================
8.3.
VALIDACIN
Si el modelo estimado superase satisfactoriamente las etapas del proceso de
validacin, se estara en condiciones de utilizarlo en la prediccin de valores futuros de
la variable.
1
1.1.
ANDERSON
Segn ha demostrado Anderson (1942) los coeficientes de
autocorrelacin muestrales procedentes de un proceso de ruido blanco se
distribuyen, en muestras grandes, de la siguiente forma:
k N (0, 1T )
H0 : t es ruido blanco
H1: t no es ruido blanco
si tenemos que:
k T < 196
.
k <
196
.
T
PANKRATZ
En la prctica, se construyen bandas de confianza utilizando la
distribucin de una variable ruido blanco cuya varianza aproximada,
viene dada por 1/T. Sin embargo, este valor no constituye una buena
aproximacin ya que la distribucin no es aplicable a los coeficientes de
autocorrelacin de una serie de residuos, especialmente en los retardos de
orden bajo.
Pankratz (1983) considera que bajo la hiptesis:
H0 : t es ruido blanco
H1: t no es ruido blanco
si tenemos que:
125
.
T
160
.
k T < 160
.
o
k <
T
Por lo tanto, se acepta la hiptesis nula.
k T < 125
.
k <
para k = 1, 2, 3.
para k 4.
EJEMPLO:
En el Eviews se obtiene para 20 retardos el Correlograma de los residuos
siguiente:
Correlogram of Residuals
==============================================================
Sample: 1990:01 1996:12
Included observations: 84
Q-statistic probabilities adjusted for 10 ARMA term(s)
==============================================================
Autocorrelation Partial Correlation AC
PAC
Q-Stat
Prob
==============================================================
. |*. |
. |*. |
1
0.075 0.075
0.4874
. | . |
. | . |
2
-0.002 -0.007
0.4876
. | . |
. | . |
3
0.001 0.002
0.4877
.*| . |
.*| . |
4
-0.101 -0.102
1.4147
.*| . |
. | . |
5
-0.063 -0.048
1.7756
. | . |
. | . |
6
-0.034 -0.028
1.8853
. |*. |
. |*. |
7
0.130
0.138
3.4733
. | . |
. | . |
8
0.054
0.026
3.7486
.*| . |
.*| . |
9
-0.125 -0.146
5.2643
. | . |
. | . |
10
0.013
0.021
5.2820
.*| . |
.*| . |
11
-0.103 -0.087
6.3296
0.012
.*| . |
. | . |
12
-0.060 -0.021
6.6939
0.035
. | . |
. | . |
13
-0.026 -0.034
6.7630
0.080
. |*. |
. | . |
14
0.074
0.059
7.3290
0.119
. |** |
. |*. |
15
0.200
0.166
11.500
0.042
. |*. |
. |*. |
16
0.103
0.103
12.627
0.049
. | . |
. | . |
17
0.040
0.015
12.801
0.077
.*| . | **| . |
18
-0.179 -0.204
16.289
0.038
. | . |
. | . |
19
-0.018
0.065
16.324
0.060
.*| . |
. | . |
20
-0.058 -0.036
16.707
0.081
==============================================================
1.2.
Contraste Global
Se utiliza el estadstico propuesto por Box y Pierce (1970). La hiptesis
es:
H0 : 1 = 2 = .... = k = 0
Residuos independientes
H1: 1 2 .... k 0
Residuos no independientes
el estadstico es:
k
QBP = T i2
i =1
2k p q
H0 : 1 = 2 = .... = 20 = 0
Residuos independientes
H1: 1 2 .... 20 0
Residuos no independientes
comparamos:
20
Homocedasticidad
Hay que examinar el grfico de los residuos (ploteo). Si se advierte una
tendencia creciente (o decreciente) en la evolucin de dicha dispersin ser
indicativo de una posible heterocedasticidad.
EJEMPLO: Aplicando en el Eview la instruccin siguiente:
Abrir ecuacin
Residual Graph
91
92
93
94
95
96
D(IPC) Residuals
Outliers
Las observaciones atpicas o anormales (outliers) son las que
corresponden a los residuos que superan en gran medida las bandas de confianza
establecidas para los residuos.
Un residuo estimado ( $ t ) que:
$ t
>4
$ $
es indicativo de que puede existir un factor exgeno puntual que haya provocado
tal anomala.
Aplicando en el Eview la instruccin siguiente:
GENR RESEST = RESID01 / @STDEV(RESID01)
el software nos muestra el resultado siguiente:
RESEST
===========================================================
Modified: 1990:01 1996:12 => resest=resid01/@stdev(resid01,"1990:01 1996:12")
1990:01 -0.028842 1.711757 -0.244963 0.027134 -0.943363 0.133010
1990:07 0.288664 0.617152 0.500510 1.761804 -1.301174 0.374262
1991:01 1.088281 -2.304535
0.402286 -0.224269 0.260251 0.648487
1991:07 0.497480 -0.675497 0.317640
1.125439 0.028977 -0.374204
1992:01 3.391173 1.725747 0.778428 -1.180744 -0.252166 -0.268761
1992:07 -2.012688 1.596481 0.291139 -1.217187 -0.812523 -0.073519
1993:01 -0.150577 -1.478190 -0.149380
1.406387
0.275401 0.977900
1993:07 -1.656446 -0.338241 -0.401184
1.157007
0.265700 1.023573
1994:01 -0.212584 -1.314290 -0.023986
0.388462
0.304340 0.240305
1994:07 -0.496509 -0.274766 -1.277560
0.401143 -0.630639 0.530943
===========================================================
Line Graph
4
3
2
1
0
-1
-2
-3
90
91
92
93
94
95
96
RESEST
Normalidad
Se plantea la siguiente hiptesis:
H0 : u se aproxima a una distribucin normal
H1 : u no se aproxima a una distribucin normal
JB =
Nk 2 1
( S + 4 ( K 3) 2 )
6
2
( 0.05, 2 )
= 5.99
12
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
Jarque-Bera
Probability
-0.002458
-0.002510
0.644428
-0.437933
0.190031
0.217930
3.717076
2.464605
0.291620
0
-0.4
-0.2
0.0
0.2
0.4
0.6
2.1.
EJEMPLO:
Al final de la estimacin observamos las races caractersticas de los
procesos autoregresivo y de media mvil, asimismo el Eview nos muestra un
comentario si la condicin no se cumple. En este caso no existe ningn
comentario, por lo tanto, las condiciones de estacionariedad y de invertibilidad
se cumplen.
2.2.
H0 : i = 0
H1: i 0
i no es significativo
i si es significativo
el estadstico es:
$ i
ti =
$ $
t (0.05,T-p-q- ) = 2
r$ $ =
i
$ $
cov($ i $ j )
i j
=
var($ i ) var($ j ) $ i $ j
r$ $ =
2 12
r$ $ =
2 17
r$ $ =
2 2
$2$9
$2 $9
$2$12
$2 $12
$2$17
$2 $17
$ $
=
=
0.01389
= 0.23226899
0.077757(0.076908)
0.00000903
= 0.00127219
0.077757(0.091284)
2 2
$2 $
0.000725
= 015089445
.
0.077757(0.061791)
0.004984
= 0.58160136
0.077757(0110208
.
)
r$ $ =
2 12
$ $
2 12
$2 $
0.002169
= 0.20453581
0.077757(013638
.
)
12
2.4.
Anlisis de Estabilidad
Se puede aplicar el test de Chow punto de quiebre y se aconseja tomar
como el tamao de la segunda submuestra entre la tercera y la mitad del tamao
de la muestra, de manera que pueda contrastarse si el ltimo tramo muestral (ms
pequeo) ha estado generado por la misma estructura que el resto de las
observaciones.
EJEMPLO:
La tercera parte de la muestra es 28 observaciones y la mitad de la muestra
es 42 observaciones, entonces vamos a considerar 37 observaciones y aplicamos
la prueba de Chow en el Eview nos muestra el resultado siguiente:
Chow Breakpoint Test: 1993:12
=============================================
F-statistic
1.175141
Probability
0.322633
Log likelihood ratio 15.90742
Probability
0.144603
=============================================
La hiptesis es:
PREDICCIN
La prediccin es un estimado cuantitativo acerca de la verosimilitud de eventos
futuros basados en informacin pasada y actual.
Se tienen muchas pruebas de que un modelo que se ajuste bien a los datos
histricos, no necesariamente pronostica bien.
Se supone evaluar un modelo en funcin de su capacidad para pronosticar bien
en una situacin de muestreo a posteriori.
Una manera sensata de proceder a una evaluacin de muestreo a posteriori es
dividir los datos en dos conjuntos:
1
= u$t
E ( ut ) =
=0
si t T
si t > T
y en general
Y$T + i = 1i YT
Se considera ahora un modelo Yt MA(1) , o sea Yt = ut 1ut 1 ; las primeras
predicciones son:
1 T+2
2 T +1
1 T+2
eT + i = YT +1 Y$T + i
En el modelo AR(1), la varianza de prediccin es:
( )
Var (eT +1 ) = 2
Var (eT + i ) = (1 + 12 ) 2
i > 1
II.-
TIPOS DE PRONSTICO
1
Puntual
Por intervalo
CLASIFICACIN DE PRONSTICO
1
Predicciones incondicionales
Predicciones condicionales
Predicciones ex ante
Predicciones ex post
RECM =
1 T+H 2
e$
H t = T +1 t
e$
EMA =
t = T +1
1 T + H e$t
EPMA =
H t = T +1 Yt
Es similar al EMA, excepto que es una medida relativa. Presenta un sesgo
que favorece a los pronsticos que se encuentran por debajo de los valores
reportados.
RCREM =
1 T + H e$t2
H t = T +1 Yt
U=
1 T+ H
(Yt Y$t ) 2
H t = T +1
1 T+ H $2
Y +
H t = T +1 t
1 T+H 2
Y
H t = T +1 t
Varianza(Variance Proportion)
V.-
EJEMPLO
Para el anlisis consideraremos el modelo siguiente:
D ( IPC ) t = + 2 D ( IPC ) t 2 + 5 D ( IPC ) t 5 + 12 D ( IPC ) t 12 + 17 D ( IPC ) t 17 + t 2 t 2
12 t 12 21 t 21 24 t 24 36 t 36
126
125
124
123
122
121
120
97:01
97:03
97:05
IPCF
97:07
97:09
97:11
2 S.E.
tambin se puede graficar a travs del tiempo el IPC con su respectiva prediccin, tanto
para todo el periodo como para el periodo de prediccin, los grficos son:
130
126
125
120
124
110
123
100
122
90
121
80
90
91
92
93
94
IPC
95
96
120
97:01
97
IPCF
97:03
97:05
IPC
97:07
97:09
97:11
IPCF
Por ltimo, se puede obtener una nube de puntos del IPC y su prediccin, as:
126
IPC
124
122
120
120
122
124
126
IPCF
ANLISIS DE COINTEGRACIN
La teora de cointegracin, desarrollada en Granger (1981) y ampliada en
Engle y Granger (1987), maneja el problema de integrar la dinmica a corto plazo con
el equilibrio a largo plazo.
La especificacin completa del modelo de regresin:
Yt = X t + ut
Yt
Yt ~ I (1)
Zt = Yt + ut es
es integrada de orden 1 o
ut ~ I (0) ,
entonces
Zt = Yt + ut ~ I(1) .
Supongamos que
Yt ~ I (1)
X t ~ I (1) (ambas
variables
Yt
Xt
a menos que haya alguna relacin entre esas tendencias, la diferencia entre ellas
debera estar creciendo, con otra tendencia adicional.
Si las dos series son ambas I (1) puede existir un tal que:
ut = Yt X t I ( 0)
esta diferencia entre ellas tiene que ser estable alrededor de una media fija. O que las
series crecen simultneamente aproximadamente a la misma tasa. Si dos series
satisfacen estos requisitos, entonces estn cointegradas.
Yt
Yt = X t + u t
X t no se desvan mucho entre s con el paso del tiempo;
por lo tanto, existe una relacin de equilibrio a largo plazo entre ellos. Es decir, estn
Yt
Xt
Yt X t = u t
tambin
es I(1), stos se desviarn entre s cada vez ms con el paso del tiempo; por lo tanto,
no existe una relacin de equilibrio a largo plazo entre ellas. Aqu la relacin que se
obtiene entre
Yt
Xt
En general, si
Yt ~ I(d)
Yt
sobre
Xt
es "espuria".
I (d ) , donde d es el mismo
y X es tambin
valor, estas dos series pueden estar cointegradas. Si ste es el caso, la regresin de las
dos variables en niveles es significativa (es decir, no es espuria); y no se pierde
informacin valiosa de largo plazo, lo cual sucedera si se utilizaran sus primeras
diferencias.
Siempre y cuando se verifique que los residuales de la regresin son
I (0)
Yt = X t + ut
cointegrado.
Cabe mencionar que en economa es la CI(1,1) la que interesa, es decir, cuando
el componente tendencial estocstico de dos o ms variables no estacionarias se
compensan exactamente para dar una combinacin lineal estacionaria. De esta forma,
la existencia de cointegracin entre series econmicas no hace sino evidenciar la
presencia de una relacin de equilibrio de largo plazo: an cuando presenten un
comportamiento no estacionario o tendencial, la relacin (o combinacin lineal) entre
ellas es estable; por tanto, podemos hablar de una relacin observada que puede, en
promedio, ser mantenida en un largo perodo de tiempo.
Existen tres mtodos para comprobar la cointegracin, a saber:
1
2
9.1.
PRUEBA DURBIN-WATSON
COINTEGRACION (DWRC)
SOBRE
LA
REGRESION
DE
Yt = X t + ut
se prueba la H 0 : DW = 0 , lo que equivale a testear que H 0 : = 1 en:
ut = ut 1 + t
En la estimacin anterior View Coefficients Tests Wald Coefficient Restrictions ... se escribe C(1) = 0 OK
Wald Test:
Equation: Untitled
====================================================
Null Hypothesis
C(1) = 1
====================================================
F-statistic
18.79043
Probability
0.000266
Chi-square
18.79043
Probability
0.000015
====================================================
La hiptesis es:
H0 : = 1
H 1: 1
el estadstico es:
Yt = X t + ut
( )
se obtiene los residuales u$ t y se utiliza la prueba DF o ADF . Como u$t est basada
en el parmetro , los valores crticos de significancia DF y ADF no son del todo
apropiados. Engle y Granger han calculado estos valores crticos de tau (al 1%, 5%
y 10 % son -2.5899, -1.9439 y -1.6177).
EJEMPLO:
Considerando el modelo de demanda de gelatina, se debe seguir los pasos
siguientes:
1
1.1.
Q1:
1.2.
P1:
R1:
============================================================
Dependent Variable: D(R1,2)
Method: Least Squares
Sample(adjusted): 1985:3 1990:4
============================================================
Variable
Coefficient
Std. Error
t-Statistic
Prob.
============================================================
D(R1(-1))
-0.823204
0.214780
-3.832772
0.0010
============================================================
M1:
Los residuos del modelo son estacionarios, es decir no tienen raz unitaria; por
lo tanto, los residuos estn integrados de orden cero.
En conclusin, todas las variables del modelo son integradas de orden uno y
los residuos estn integrados de orden cero, por lo tanto, Q1 est cointegrada con P1,
R1, M1.
9.3.
2.-
3.-
Por estas razones, surge una especificacin alternativa del problema, en la que
se incorpora la posibilidad de que exista mas de un vector de cointegracin entre un
mismo conjunto de variables.
Si el vector de variables X t tiene n componentes (n variables no
estacionarias), existe la posibilidad de que hayan, por lo menos, n-1 vectores de
cointegracin linealmente independientes. El nmero de vectores de cointegracin se
conoce como el rango cointegrante de X t .
La especificacin de la metodologa de Johansen se basa en una generalizacin
multivariada del Dickey Fuller. Si X t es un vector de n variables que siguen un
proceso VAR(1):
X t = AX t 1 + t
restando X t 1 en ambos lados de la ecuacin anterior se obtiene:
X t = AX t 1 X t 1 + t
X t = ( A I ) X t 1 + t
X t = X t 1 + t
Si se tienen las n races de la matriz , i , donde 1 > 2 > ... > n , se puede
plantear el siguiente test:
( r ) = T Ln 1 $i jj
i = r +1
tenemos:
LR = 5016823
.
> 47.21
por lo tanto, existe una regresin de cointegracin.
10
Yt = 1 X t 2 u$t 1 + ut
11
MODELO VAR
11.1. Introduccin
Fueron planteados inicialmente por C. Sims en un artculo publicado en 1980 en
ECONOMETRICA, bajo el ttulo de Macroeconoma y realidad
Surgen como una crtica a los mtodos tradicionales de elaboracin de modelos
economtricos al estilo de la Cowles Commision, y sobre todo a la forma en como se realiza
la identificacin.
Sims, retoma una antigua crtica de Liu (1960) en el sentido de que las restricciones
que se imponen en los modelos son ficticias y no se corresponden con la realidad en la que
todas las variables son dependientes.
Adicionalmente Sims se plantea el problema de la dinamicidad de las relaciones y la
escasa informacin que aporta la teora econmica
Presentacin clsica a la identificacin
Las relaciones que observamos son el resultado de la interaccin de muchas variables
por lo que debemos realizar un proceso de identificacin o separacin de los efectos de cada
variable.
En trminos de un modelo multiecuacional las relaciones que observamos son las
recogidas en la forma reducida, por lo que es necesario realizar el proceso de identificacin
(obtencin de la forma estructural).
La forma estructural es:
Yt = Yt + X t + U t
La forma reducida es:
Yt = X t + Vt
El sistema de ecuaciones es:
= ( I ) 1 = *
donde se tiene g x k ecuaciones y (g2 -g )+ (g x k) incgnitas. Existe un exceso de (g2 -g )
incgnitas que hay que eliminar, habitualmente por nulidad a priori. Por lo tanto, se tiene una
condicin necesaria en cada ecuacin siguiente:
R > G 1
Planteamiento:
Se pretende especificar un modelo que recoja de la mejor forma posible la evolucin
de un sistema econmico sin que sea necesario imponer demasiadas restricciones a priori. Se
busca un modelo dbilmente restringido.
Z t = c( L) t
Z t = Dt + c( L) t
a ( L ) Z t = b( L ) * t
Z t = a 1 ( L) * b( L) * t
a ( L) Z t = B t
Yi ,t = Di ,t + ijYi ,t j + ui ,t
i =1 j =1
o:
2
2
2
21
22
2m
2
2
2
m1 m 2 mm
11.3. Estimacin
Teniendo en cuenta que las variables explicativas son todas retardadas y como
consecuencia de la ausencia de autocorrelacin no estn correlacionadas con las
perturbaciones aleatorias, podemos estimar el modelo de forma consistente por Mnimos
Cuadrados Ordinarios (MCO). Se tiene:
(T c)[Log r Log a ] R2
con T nmero de observaciones, c nmero de variables de modelo ampliado, matrices de
productos cruzados de residuos, R nmero total de restricciones.
Otras medidas alternativas de seleccin de retardos son:
Akaike Information Criteria:
AIC = 2
k
+2
N
N
log( N )
+k
N
N
con = Nm (1 + 2 log 2 ) N log , m nmero de ecuaciones y c el nmero de variables.
2
2
Schwarz Criteria:
SC = 2
El Test de Zivot y Andrews determina en que periodo se debe agregar una variable
dummy para corregir el quiebre que puede ser en: intercepto, tendencia o ambos.
2
(T c)[Log r Log a ] R2
donde:
log |a| = logaritmo natural del determinante de la matriz de varianzas y
covarianzas para el modelo con a rezagos.
T = nmero de observaciones.
c = nmero de parmetros estimados en cada ecuacin del sistema no
restringido. Es decir: c = m(r+i).
q = grados de libertad, nmero de restricciones en todo el modelo. Es decir:
q = m2 r.
Este test se distribuye 2 con grados de libertad igual al nmero de
restricciones en el sistema (q=m2r). Este test tiene poco poder para rechazar test
sucesivos de restriccin de rezagos; por ello el rezago referencial debe ser el de
mayor valor en el sistema, es decir, cualquier hiptesis nula debe ser contrastada
contra el rezago (i+r). Si se acepta la hiptesis nula (H0), procedemos a verificar
con un rezago menor.
11.4. Identificacin
En los modelos VAR la etapa de identificacin se diferencia de la de estimacin y, al
contrario de los modelos clsicos, esta identificacin se realiza durante el periodo de
simulacin. (Determinacin de los efectos aislados de cada variable sobre el resto).
El proceso de identificacin se realiza sobre la Matriz de Varianzas y covarianzas de
las perturbaciones ya que se utilizan dichas perturbaciones para introducir las alteraciones
que nos conducen al anlisis de la simulacin.
Las simulaciones a realizar, denominadas ANALISIS DE IMPULSO RESPUESTA,
consistirn en introducir una alteracin en la perturbacin aleatoria de una ecuacin
(generalmente igual al valor de su desviacin tpica, y comprobar el resultado que esta
alteracin tiene sobre el conjunto del sistema.)
Teniendo en cuenta que existen correlaciones entre las perturbaciones de las distintas
ecuaciones no podremos diferenciar claramente los efectos individuales de cada perturbacin
a menos que se realice una transformacin previa.
El proceso de identificacin en un Modelo VAR se realiza mediante la
ortogonalizacin de las perturbaciones aleatorias; es decir debemos trasformar el modelo
original para que la Matriz de Varianzas y Covarianzas sea diagonal.
Toda matriz simtrica puede ser convertida en una matriz diagonal operando con
una nueva matriz triangular de acuerdo con la siguiente expresin:
D =
Premultiplicando las variables originales del modelo por la matriz triangular ,
obtendremos una nuevo modelo cuya matriz de varianzas y covarianzas de la perturbacin es
diagonal (independiente de unas ecuaciones a otras).
m
Yi ,t = Di ,t + ijYi ,t j + ui ,t
i =1 j =1
Cov(ui ,t , u j ,t ) = E (ui ,t , u j ,t ) = = D
La solucin inicial propuesta por Sims es la conocida como factorizacin de Cholesky,
donde la matriz es una matriz triangular inferior, cuya aplicacin a la matriz original
perturbaciones aleatorias, genera un efecto de cadena causal entre las distintas variables
(perturbaciones), por lo que previamente deberemos haber ordenado las variables del sistema
de mayor a menor exogeneidad relativa.
Esta factorizacin de Cholesky asume que toda la perturbacin aleatoria de la primera
ecuacin corresponde a la primera variable, es decir que no hay efecto adicional procedente
de las siguientes variables; la perturbacin de la segunda ecuacin proviene de la primera y
de la suya propia, y as sucesivamente a lo largo de una cadena causal.
El problema surge del hecho de que los resultados de la simulacin no son
independientes del orden de las variables por lo que ordenaciones distintas nos conducen a
alternativas diferentes en la simulacin.
Funciones Impulso-Respuesta
Constituyen la herramienta bsica de simulacin con modelos VAR, para el anlisis de
teoras o polticas econmicas. Constituyen una representacin de cmo los shocks inducidos
en una variable afectan al conjunto del sistema.
Parten de la representacin de medias mviles del sistema autorregresivo, que una vez
ortogonalizado, nos permite analizar los efectos individuales de cada una de las variables.
Partiendo del modelo autorregresivo general multivariante:
r
Yt = jYt j + ut
j =1
Yt = B( L)Yt + ut = ( I B( L))Yt = ut
Y operando en la expresin anterior obtenemos:
Yt = [( I B( L))] ut = M ( L)ut = M s L ut = M s ut s
1
s =0
s =0
donde cada una de las variables se expresa en funcin de las perturbaciones aleatorias
acumuladas.
La segunda herramienta de simulacin que nos ofrecen los modelos VAR es la
Descomposicin de la varianza del error de prediccin, y consiste en determinar, para cada
horizonte de prediccin k, qu porcentaje de las variaciones de cada variable Yi,t+k es
explicado por cada perturbacin ui,t+k
Nuevamente parten de la representacin de medias mviles del modelo autorregresivo
multivariante y previamente ortogonalizado
Yi ,t + k = M i , s ui ,t s + k
s =0
Pi = var(Yi ,t + k E (Yi ,t + k ) = M i , s M i, s
s =0
Pudiendo calcularse qu porcentaje del total de la varianza viene inducido por cada
perturbacin i
11