Академический Документы
Профессиональный Документы
Культура Документы
ELEMENTOS DE
ECONOMETRÍA Y
ESTADÍSTICA
FINANCIERA
Carlos Mendoza Astroz
Universidad Nacional de Colombia
Facultad de Economía
Tabla de contenido
Parte I CONCEPTOS BÁSICOS ................................................................................................................................. 3
1. TEORÍA ASINTÓTICA ..................................................................................................................................... 4
3. VALORES Y VECTORES PROPIOS ................................................................................................................ 14
4. DISTRIBUCION NORMAL MULTIVARIANTE .............................................................................................. 20
PARTE II MODELOS MULTIVARIANTES .............................................................................................................. 30
1. ANÁLISIS DE COMPONENTES PRINCIPALES (ACP) ................................................................................... 31
1.1. INTRODUCCIÓN .................................................................................................................................... 31
1.2 INTERPRETACIÓN GEOMETRICA ............................................................................................................. 32
1.3. RESULTADOS MATEMATICOS Y GRAFICOS DEL ACP ....................................................................... 35
1.4. CÁLCULO DE LOS COMPONENTES PRINCIPALES ............................................................................. 38
1.5. PROCESO DE EXTRACCIÓN ................................................................................................................. 41
1.6. TEOREMAS ............................................................................................................................................ 45
1.7. COMPONENTES PRINCIPALES NORMADO O POR CORRELACIONES .............................................. 52
1.8. COMPONENTES PRINCIPALES PARA MATRICES DE COVARIANZAS CON ESTRUCTURAS
ESPECIALES ...................................................................................................................................................... 61
1.9. COMPONENTES PRINCIPALES A PARTIR DE UNA MUESTRA ......................................................... 65
1.10 IDENTIFICACIÓN DE LOS COMPONENTES PRINCIPALES.................................................................... 73
1.11. PRUEBAS ESTADÍSTICAS ................................................................................................................. 75
1.12. CONCLUSIONES ................................................................................................................................ 78
MODELOS DE DATOS PANEL LINEALES ............................................................................................................. 79
I. INTRODUCCIÓN ........................................................................................................................................ 80
II. ESPECIFICACIÓN GENERAL DE UN MODELO DE DATOS DE PANEL ................................................... 88
OVERVIEW DE METODOS DE PANELES DE DATOS ...................................................................................... 91
CARACTERISTICAS DE DATOS PANEL ......................................................................................................... 113
VARIACION BETWEEN-WITHIN ................................................................................................................... 100
VARIABLES OMITIDAS Y EFECTOS NO OBSERVADOS ................................................................................ 103
III. METODOLOGIAS DE ESTIMACION DE MODELOS DE DATOS PANEL ............................................ 119
3. MODELOS DE EFECTOS FIJOS Y ALEATORIOS..................................................................................... 169
ELECCIÓN DEL MÉTODO: ¿EFECTOS FIJOS O EFECTOS ALEATORIOS? .................................................... 211
IV. ESTRUCTURA DE PRUEBAS DE HIPOTESIS: ANALISIS DE VARIANZA.......................................... 187
V. CONTRASTES DE HIPÓTESIS EN DATOS DE PANEL ........................................................................... 207
PRUEBA DE HAUSMAN .................................................................................................................................. 214
CONTRASTES DE AGRUPACIÓN DE DATOS ................................................................................................. 217
VIII. VENTAJAS Y DESVENAJAS DEL MODELO DE DATOS PANELES ..................................................... 251
PARTE VI. ANALISIS DE SERIES DE TIEMPO..................................................................................................... 258
PROCESOS ESTACIONALES ................................................................................................................................ 356
VECTORES AUTOREGRESIVOS (VAR) .............................................................................................................. 388
1. TEORÍA ASINTÓTICA
El análisis asintótico esta interesado en varias clases de
convergencia de sucesiones de estimadores a medida que los
tamaños de muestra crecen.
Convergencia en Probabilidad
Definición 3. La variable aleatoria xn converge en probabilidad a
una constante c si
limn Prob( xn c > )=0 para cualquier >0.
limn n = y limn =0 2
n
Estimador Consistente
Se dice que un estimador de un parámetro θ es consistente si y
sólo
plim =θ
i
i 1
___ 1 n
1
E x E xi (n )
n n
i 1
2
___ 1 n
1
Var x 2 Var xi 2 (n )
2
n
n i 1 n
yn d
Entonces,
Convergencia en Distribución
xn converge en distribución a una variable aleatoria x con
función distribución acumulada (f.d.a) F(x) si:
limn ( F(xn) F(x) )=0
En todos aquellos puntos de continuidad de F(x). Esto se
simboliza como:
d
xn x
1. Si xn y n c x
d
2. Si xn yn cx
Donde,
1 __ d
n x N (0,1)
s
La convergencia en probabilidad implica convergencia en
distribución, pero no viceversa. Es decir, el concepto de
convergencia en probabilidad es más fuerte. En primer término,
si plim( ), entonces . Ello, porque:
d
n n
lim n f ( n ) 1 si n
0 e.o. p..
Gráficamente,
1 1
( X T X )1 X T Y ( X T X )1 ( X T )
n n
( X T X )1 X T Y ( X T X )1 X T ( X )
1 1
( X T X )1 X T Y ( X T X )1 ( X T )
n n
Entonces,
plim = β +limn limn
1 T 1 1 T
(X X ) (X )
n n
Por las propiedades de probabilidad límite descritas en
secciones anteriores se tiene que:
n n
1 T __
( X ) xi i wi w
n i 1 i 1
II. Definiciones.
Sea una matriz simétrica Σ con de orden PxP con las siguientes
características:
12 12 1p
21 22 2p
p1 p 2 pp
Definición 1. La traza de Σ denotada por tr(Σ) se define como:
P
11 11 pp ii
i 1
b. Vectores propios
Es necesario calcular el vector propio asociado para la matriz Σ,
que para este caso corresponde al valor propio más grande
(λ1=7) por lo tanto se construye el siguiente sistema de
ecuaciones:
Σe=λe
6 2 e1 e1
[ ] [ ]=7[e ]
2 3 e2 2
Construyendo un sistema de ecuaciones se llega a que:
6e1+2e2=7e1
2e1+3e2=7e2
Resolviendo y dejándolo en términos de vectores se tiene que:
2e2 7e − 6e1 2e e1
[ ]=[ 1 ] [ 2 ]=[2e ]
3e2 − 7e2 −2e1 4e2 1
Existen infinitas soluciones. De manera que cualquier vector
propio de tamaño 2X1 que tenga su primer elemento igual al
doble del segundo será el vector propio de Σ asociado con el
primer valor propio λ1.
√x t x =√[2 1] [2]=√5
1
El vector propio normalizado de Σ correspondiente al primer
valor propio 𝛌1=7, corresponde a:
2/√5 0.8944
e1= [ ]=[ ]
1/√5 0.4472
Programación en STATA
matrix input A = (6,2\2,3)
matrix symeigen Vectores Valores = A
matrix list Valores
matrix list Vectores
Propiedades
1. La distribución marginal de X es N(µ1,σ1)
2. La distribución marginal de Y es N(µ2,σ2)
3. La distribución de Y condicionada por X = x0 se puede
representar como:
i 1
normal multivariada
n
f ( Z1 ,.....Z n ) f ( z ) (2 ) 1 / 2 | |-1e 2zi
2
i 1
n 2
f ( Z1 ,.....Z n ) f ( z ) 2 n / 2
||
-n
e zi
1
2
i 1
f (Z1 ,.....Z n ) f ( z ) 2 n / 2 | |- n e 12 Z T Z
Donde ZT=(Z1,...,Zt) es un vector transpuesto de v.a.i.i.d.
normales. Ahora suponga la transformación X=AZ+B donde A es
una matriz no singular de tamaño nxn y B es un vector es un
vector nX1 de constantes. Es posible realizar la siguiente
transformación:
g ( z ) 2 n / 2 | A |1 e12 Z T Z pero Z=A-1(X-B)
g ( z ) 2 n / 2 | A |1 e 12 A1 ( X B) A
T 1
( X B)
g ( z ) 2 n / 2 | A |1 e 12 ( X B)T At )( A1 ( X B) )
Puesto que E[Z]=0, entonces E[X]=B y la propiedad de
independencia que implica sobre la matriz de covarianzas
cov[Z]=In, por tanto cov(X)=AAT. Estableciendo que μ=B y Σ=
AAT es posible reescribir g(x) de la forma estándar:
g ( z ) 2 n / 2 | |1 / 2 e 12 ( x )T 1 ( x ) )
La cual se conoce como distribución normal multivariada con
media μ y matriz de covarianza Σ.
Teoremas
Teorema 2. Si Σ es positiva de modo que Σ-1 existe, entonces
Σe=𝛌e implica que Σ-1 e= 1 e
a X a
q1 1 q 2 2 X a qp X p
Son distribuidos Nq(Aμ,AΣAT) . También, X+d donde d es un
vector de constantes es distribuida Nq(A+b,Σ).
X1 1 11 | 12
X
X2 21 | 22
2
Teorema 6. Si X1 y X2 son dos vectores aleatorios independientes
de orden qX1 y qX2 respectivamente, entonces
a. Las covarianzas entre dichos vectores son iguales a cero,
Cov(X1,X2)=0. La matriz de ceros es de orden q1Xq2.
b. Si es | entonces X1 y X2 son independientes si y
X1
1 11 12
N q1q 2 ,
X2 2 21
| 22
solo si Σ12=0.
c. Si X1 y X2 son independientes y distribuidas Nq1(μ1,Σ11) y
Nq2(μ,Σ) respectivamente, entonces [X1 X2] es normal
multivariante distribuido como:
1 11 | 0
N q1q 2 ,
2 0
| 11
Constrastes de multinormalidad
Para contrastar la normalidad univariada,como primer pasose
han desarrollado estrategias graficas que alertan sobre la
normalidad de un conjunto de datos. Al estrategia mas usada
consiste en graficar cuantilas de datos frente a cuantilas de
distribución univariada, estos graficos se conocen como QxQ
plot. Las cuantilas son similares a los percentiles, un grafico QxQ
plot se obtiene:
1. Se ordenan las observaciones de mayor a menor. Así la
cuartila muestral xi es la cuartila i/n.
2. Se ubican los pares y se examina la linealidad resultante.
1
Valor Normal esperado
-1
-2
-3
-4
-4 -3 -2 -1 0 1 2 3 4
Valor observado
1 Se puede probar que es una matriz definida positiva, es decir, la forma cuadrática asociada a ella tiene todas sus raíces positivas.
O de forma matricial:
yj = aTx (2)
1.6. TEOREMAS
Los resultados anteriores se pueden expresar de una manera
sintética y con el formalismo necesario en los siguientes
teoremas.
1 −2 0
Σ = [−2 5 0]
0 0 2
O mejor
Var(y1)=Var(-0.383X1+0.924X2)
Var(y1)=(0.383)2Var(X1)+(0.924)2Var(X2)-2(0.383)(0.924)
λ1 5.83 5.83
VEC1= λ =λ = 8.00 =0.7286
1 +λ2 +λ3 1 +λ2 +λ3
∑ Var(Yi ) = ∑ Var(Zi ) = p
i=1 i=1
CORRELACIONES COVARIANZAS
a. Matriz de covarianzas
Los valores y vectores propios de la matriz de covarianzas, Σ, se
tienen que:
λ1=100.16 𝐞1t =[0.04, 0.99]
λ2= 0.84 𝐞𝐭𝟐 =[0.99,-0.04]
b. Matriz de correlaciones
Los valores y vectores propios de la matriz de correlaciones, ρ, se
tiene que:
λ1=1+ρ=1.4 𝐞1t =[0.707, 0.707]
λ2=1-ρ= 0.6 𝐞𝐭𝟐 =[0.707,-0.707]
Adicionalmente:
p
Varianza total muestral =∑i=1 Sii = λ̂1 +λ̂2 +…….+λ̂p
X1 X2 X3 X4 X5
𝐱̅t = 4.47 3.96 71.42 26.91 1.64
Variable Total Grado Edad por Empleado del Valor medio
poblacional profesional empleado gobierno de vivienda
Medida Cientos (porcentaje) (porcentaje) (porcentaje) Cientos
Tabla 2
Valor propio
PRUEBA KMO
Definicion. Coeficiente de correlacion parcial. Permite conocer el
valor de la correlación entre dos variables A y B, si la variable C
permance constante para la serie de observaciones
consideradas.
1.12. CONCLUSIONES
Los resultados encontrados por el método de análisis de
componentes principales pueden resumirse en las siguientes
conclusiones:
1. La varianza total es igual a la suma de los valores propios de
Σ. Es decir, la varianza total es la misma con las variables
originales que con las variables transformadas, Fi.
2. Las componentes principales son variables aleatorias no
correlacionadas entre sí obtenidas mediante
transformaciones lineales ortogonales de las variables
originales centradas. Esto es: Fj=ajX=aj1X1+ aj2X2+….+ aj2X2
para j=1,2,….p
3. Si todas las variables originales Xi son normalmente
distribuidas entonces todas las componentes principales
son normales.
I. INTRODUCCIÓN
En el análisis de información (financiera, económica,
empresarial, comercial, etc.) pueden existir diferentes
dimensiones sobre las cuales se podría estar interesado en la
estimación de modelos que traten de extraer relaciones de
causalidad o comportamiento.
2Si se deseara utilizar variables rezagadas sobre una variable endógena, por ejemplo, considere el siguiente modelo de rezagos distribuidos de
Almon:
Donde xt es una variable exógena y ut es un término de perturbación estocástica. En general, las variables rezagadas x t y xt-1 son cercanas.
Adicionalmente, si se desea observar el cambio de la variable x en el tiempo entonces se tiene que x t-1+∆xt-1= xt-1+(xt-1- xt-2)=2xt-1-xt-2. Esta
estructura expone un alto componente de colinealidad entre variables. En general, no existe suficiente información para efectuar una estimación
precisa sin supuestos a priori.
Método de estimación
Efecto no observado
Modelo B
Modelo C
VARIACION BETWEEN-WITHIN
La variable dependiente y regresores del modelo de datos panel
pueden variar sobre el tiempo (t) e individuos (i), como ya se ha
definido. La variación en el tiempo de una variable x para un
individuo es conocida como variación within y la variación de
una variable x a través de individuos se conoce como variación
between4.
Variación Between Vs Within
Individuo 2
Variacion Between
Individuo 1
Variación Within
ithinetween
4 Esta metodología es conocida como estimación de dinámicas entre grupos. En análisis de corte transversal tradicional, cada observación captura
información de su nivel de largo plazo y su componente cíclico. El estimador de efectos entre grupos (between) en términos generales reduce el
problema de un panel longitudinal a uno de corte transversal, empleando el cálculo promedio de las variables al interior de cada individuo. El
procedimiento general para obtener este estimador necesita calcular el promedio de la variable dependiente y de los regresores a lo largo del
tiempo. Posteriormente, realiza una estimación OLS donde se usan como regresores y variable dependiente los promedios calculados en el paso 1.
PROMEDIOS:
Total: N T
1
x̅ = ∑ ∑ xit
NT
i=1 t=1
En el grupo (WITHIN): T
1
x̅i = ∑ xit
T
t=1
Entre grupos (BETWEEN): x̅iB
=(x̅ i − x̅)
DESVIACIÓN ESTÁNDAR MUESTRAL
En el grupo (WITHIN) o 1
s =√ ∑N ∑T (x − x̅i )2
entorno a la media individual: within= NT−1 i=1 t=1 it
Entre grupos (BETWEEN) o 1
s =√ ∑N (x̅ − x̅ )2
entorno al promedio de between N−1 i=1 i
individuos respecto al total:
Total o entorno a la media total: N T
1
stotal = √ ∑ ∑(xit − x̅)2
NT − 1
i=1 t=1
PERIODO INDIVIDUO Y X1 X2 X3
1 1 23 16 31 42
2 1 45 6.5 87 78
3 1 76 8 32 65
1 2 21 43 4 38
2 2 98 5 55 75
3 2 5 78 24 29
1. Sesgo de heterogeneidad
2. Variables omitidas y efectos no observados
3. Correlación serial resultante de efectos constantes en el
término de error
4. Problema de parametros incidentales
SESGO DE HETEROGENEIDAD
Al incluir efectos between y within dentro del análisis y observar
la significancia de la interacción entre individuosy tiempo entre
variables e individuos surge la pregunta ¿que ocurre si este
efecto se omite?
ANALISIS BETWEEN-WITHIN-OVERALL
OLS/FGLS
Within
Between
Overall
5En la práctica es difícil encontrar buen un instrumento para le calulo del estimador de variables instrumentales ya que debe tener caracterisitcas
a veces incompatibles como que revele información similar a la variable a reemplazar dentro del modelo de regresion y adicionalmente sea
exógena frente a los regresores.
Por ejemplo, si los regresores zit=zi para todo t (es decir, los
valores de la variable no observada, z, permanecen constantes a
traves del tiempo pero cambia a traves de los individuos), es
posible tomar la primera diferencia de las observaciones
individuales sobre el tiempo y se obtiene:
T
E Y X t-1 t-2 t-3
y1 x1
E1 : :
yn xn T
y1 x1 E Y X t-1 t-2 t-3 ………… t-n+1 t-n
E2 : : y1 x1
yn xn E1 : :
y1 x1 yn xn
E3 : : y1 x1
yn xn E2 : :
y1 x1 yn xn
E4 : :
yn xn
: : : : :
y1 x1
Ek : :
yn xn
Modelo Estimador
Agrupado (Pooled) 1. OLS
Between 1. OLS
1. FGLS
Efectos Aleatorios (RE) 2. OLS para un estimador GLS
3. Máximo verosímil.
1. LSDV.
2. Condicional de maxima verosimilitud.
Efectos Fijos (FE) 3. Primeras Diferencias
4. Within o de efectos fijos
5. Within o de efectos fijos con GLS
1. MODELO AGRUPADO
El modelo más restrictivo es el modelo agrupado (pooled model)
especifica coeficientes constantes, el supuesto usual para
estimaciones de corte trasversal (cross section) es el siguiente:
yit=α+Xitβ+εit
Si este modelo se encuentra correctamente especificado y los
regresores no están correlacionados con el término de error
(exogeneidad fuerte).
De forma matricial, suponga E[𝐮𝐢𝐭 𝐮𝐭𝐢𝐭 |x]=𝚺 para ser estimada por
FGLS de forma que para el i-esimo individuo:
̂=σ
𝚺 ̂2u 𝟏T 𝟏tT =
̂2ε 𝐈t + σ
𝚺 𝟎 … 𝟎
Ω =[ 𝚺 … 𝟎]=I ⊗𝚺
⋮ ⋮ ⋱ 𝟎 n
𝟎 𝟎 … 𝚺
−1/2
De la misma forma, aplica la multiplicación de 𝚺i X para los
regresores Xi. Los datos en su conjunto transformados por GLS se
calcula regresando las desviaciones parciales de yit sobre la
transformación de xit.
̂2ε ) se
Pa ra el cálculo de la estimación de la varianza del error (σ
necesitan de los parámetros de la regresión between (𝛃 ̂W ), y de
los promedios entre individuos de los los regresores (𝐱̅i) y la
variable dependiente (y̅i).
del error (σ2ε ) que son posibles bajo esta técnica que es una entre
varias. Por ejemplo Amemiya7 calcula otros estimadores pero no
necesariamente incrementa la eficiencia del estimador 𝛃 ̂RE.
8Sin embargo, estos parametros muchas veces resultan utiles en informacion industrial, laboral, ambiental,entre otros por ejemplo véase
McClellan, M. and Staiger, D. Comparing Hospital Quality at For-Profit and Not-for-Profit Hospitals in The Changing Hospital Industry: Comparing
Not-for-Profit and For-Profit Institutions, (eds.). Cutler, David M. pp.93-112, The University of Chicago Press, 2000. Tambien, Murdock, J. 2006.
Handling unobserved site characteristics in random utility models of recreation demand. Journal of Environmental Economics and
Management,51, 1-25.
̂𝐰 debe demostrar
Para la consistencia del estimador within de 𝛃
la condición de exógeneidad fuerte:
Para paneles cortos con efectos fijos (FE) resulta en una varianza
donde se incluye efectos en el tiempo para periodos
contemporáneos (t=s) y no contemporáneos (t≠s) de la forma:
Una estimación por OLS del modelo de efectos fijos (FE) ajustado
̂w con una matriz de
por la matriz Q resulta en el estimador 𝛃
covarianzas, asumiendo independencia de los individuos, igual a:
Entonces:
Puede ser estimado por FGLS. Si los términos de error, εit, son
vaiid [0,σ2ε ] no existen muchas ganancias estadísticas utilizando
GLS, lo recomendable es trabajar por OLS.
9 Sea A una matriz cuadrada o rectangular, se dice que una matriz G es una g-inversa (o inversa generalizada) de A cuando AGA=A . Naturalmente
que G ha de ser de tipo n×m en el caso de ser A del tipo m×n . Si A es cuadrada e invertible, entonces es fácil comprobar que la inversa A−1 es (la
única) g-inversa de A , de manera que el concepto de g-inversa es una generalización del concepto de inversa
10 Sin embargo, QtQ-Q=QtQ puesto que QtQ-Q=Q, para una inversa generalizada, y Q=QQt dado que Q es idempotente. Reemplazando QtQ-Q=Q por
Suponga que yit está condicionada sobre los regresores xit y los
parámetros αi, β y 𝛔2 son vaiid con distribución normal
t
N[αi+𝐱 it β,𝛔2]. Entonces la función de verosimilitud condicionada
es:
O de forma equivalente:
12 Supongamos que se particiona una matriz X, cuyo rango es k, en dos matrices X1 y X2, cuyos rangos son respectivamente r y k−r, de manera que:
Para obtener la fórmula del estimador OLS resulta útil dividir las ecuaciones normales XtXβ̂= Xty
Este sistema puede resolverse en dos etapas. Primero obteniendo una expresión para β̂2 de la forma Sustituyendo en la
primera ecuación permite obtener Agrupando términos se puede obtener que
Cuya solución es Que resulta ser es el estimador:
La matriz M2 es idempotente y simétrica por lo que: Y Es una matriz de
residuos de la regresión de X1 en las variables X2. De igual manera Por lo tanto, β̂1 es el conjunto de coeficientes que se
obtienen cuando los residuos de una regresión de y en las variables de X 2 se regresan a su vez en el conjunto de residuos obtenidos cuando cada
variable de X1 se regresa en las variables de X2.
Es decir, en RE:
14 Bajo condiciones más flexibles, como exogeneidad débil permite incluir variales rezagadas en un modelo panel.
15 Chamberlain (1980) ofrece una discusión detallada de los supuestos y pruebas de exogeneidad para datos panel.
17Este estimador propuesto por White (1980) reconoce que en los errores de los modelos de regresión lineal pueden ser heterocedasticos, y
propone efectuar una corrección que calcula los residuos del modelo de la siguiente forma:
restrictivos, son consistentes y con funciones de distribución fácilmente calculables. Los mínimos cuadrados ordinarios, mínimos cuadrados
generalizados, estimación en dos etapas e incluso (bajo algunos supuestos adicionales) máxima verosimilitud, pueden ser considerados casos
particulares de GMM. Otra de las características del método es que no requiere la especificación de una forma particular de distribución de las
variables aleatorias involucradas en el modelo que se estudia. A pesar de estas cualidades, las propiedades de los estimadores obtenidos por el
método generalizado de los momentos no son siempre buenas en muestra pequeñas.
̂ i =𝐮
Donde 𝐮 ̃ i=𝐲̃i-Wiθ.
20 En STATA los errores estándar de panel robustos calculados por V ̂OLS] pueden utilizar estimaciones por OLS y ajustarles una metodología de
̂[𝛉
términos de error con cluster robusto seleccionando individuos como variable de cluster.
21 Es un método de simulación por remuestreo (resampling) que esencialmente es un experimento de simulación de Montecarlo donde la muestra
observada es tratada como la población. En otras palabras, cada iteración, de tamaño N, efectua una muestra con remplazamiento para
posteriormente obtener el cálculo de los estimadores. Este proceso se efectua K veces. Calculando el promedi de los estimadores permite calcular
el sesgo de cualquier estimador. Puede ser utilizado para obtener errores estándar, intervalos de confianza y p-values ara pruebas estadísticas.
Donde 𝛉̅
̂ =B-1∑Bb=1 𝛉
̂. Este método no proporciona refinamiento.
Dada la independencia sobre los individuos (i) el estimador es
consistente en la medida que los individuos crezcan, N→∞.
22 Se debe efectuar un remuestreo por bootstrap únicamente sobre los individuos (i) no sobre los individuos (i) y el tiempo (t).
24 Suponga se tiene observaciones muestrales de características de N individuos sobre T periodos con K variables explicativas denotados por y it,
xkit i=1,…,N, t=1,…..,T, k=1,…,K. Convencionalmente, las observaciones de la variable, y, son asumidas como resultados aleatorios de algún
experimento con una distribución de probabilidad condicionada sobre vectores de características x y un número fijo de parámetros Θ, f(y|x,Θ).
Cuando los datos panel son utilizados, una de sus principales objetivos es utilizar toda la información para efectuar inferencia sobre el vector de
parámetro Θ. Por ejemplo, un modelo puede postular a la variable, y, es una función lineal de x. Sin embargo, para ejecutar una regresión por
mínimos cuadrados con NxT observaciones se necesita asumir que los parámetros de la regresión toman valores iguales a todas las unidades
individuales para todos los periodos. Si este supuesto no es válido, las estimaciones agrupadas (pooled) pueden conducir a una falsa inferencia ya
que sus resultados no son consistentes.
Un modelo muy general para datos panel permite que varíen los
coeficientes asociados con el intercepto (α) y las pendientes (β)
sobre el individuo (i) y el tiempo (t), es decir:
Sea el siguiente modelo para individuos (i) y tiempo (t), con las
siguientes características:
25En el procedimiento de análisis de varianza supone que cualquier variación que exista entre parámetros se atribuye a dos posibles causas. La
primera, variación en la absorción de un factor entre observaciones (within). La segunda, la variación entre (between) los factores.
̂) no se
Si la hipótesis de homogeneidad de las pendientes (𝛃
rechaza entonces no es necesario el tercer paso.
Dónde:
Dónde:
27La diferencia de la diferencia de (S2-S1) pueden ser deducidos sus grados de libertad dado que S1 tiene [NT-N(K+1)] y para S2 tiene [ N(T-1)-K].
La resta es (N-1)K grados de libertad
Donde, de nuevo, se asume que uit es una vaiid con media cero y
varianza constante, σ2u .
29Los interceptos para cada uno de los individuos, αi~(0,σ2α ), son variables aleatorias independiente e idénticamente distribuidas (vaiid) sobre los
individuos (i). El termino estocástico puro, ϵit~(0,σ2ϵ ), son variables aleatorias independiente e idénticamente distribuidas (vaiid) sobre los
individuos (i) y el tiempo (t), donde existe una condición de exogeneidad entre ellos, es decir, E[ϵit|αi]=0 ∀ i,j,t.
30 Paquetes estadísticos como STATA trabajan con las modificaciones efectuadas sobre esta prueba por Baltagi and Li (1990).
PRUEBA DE HAUSMAN
Esta prueba permite determinar qué modelo es el más adecuado
para una estructura de datos panel, si efectos fijos (FE) o efectos
aleatorios (FE).
H0: [μi|xit]=0
H1: [μi|xit]≠0
Para este caso, tanto OLS como y FGLS son consistentes, siendo
FGLS el estimador lineal insesgado de varianza mínima.
̂FGLS-𝛃
𝛃 ̂FE o 𝛃
̂FGLS-𝛃
̂BE donde 𝛃
̂BE es el estimador de 𝛃
̂ mediante
estimación entre grupos o between.
Prueba de Hausman
Para decidir entre FE o RE se utiliza la prueba de HAUSMAN
donde la hipótesis nula radica en que el modelo a utilizar es
efectos aleatorios (RE) contra la alternativa de efectos fijos (FE).
xttest0
xi: reg spend dem1 demmaj1 demgov divgov dis1 persinc* aper*
popul* i.stcode i.year
Al igual que con los efectos por individuos, se puede realizar una
prueba F para conocer la significancia conjunta de las variables
dicotómicas temporales en el modelo.
HETEROSCEDASTICIDAD
Cuando la varianza de los errores de cada unidad transversal no
es constante, se encuentra con una violación de supuestos
iniciales de la estructura de estimación panel.
32 Para una discusión sobre esta prueba, consulta Greene, W. 2000. Econometric Analysis. Upper Saddle River, NJ: Prentice Hall, p. 598.
CORRELACIÓN CONTEMPORÁNEA
Las estimaciones en datos panel pueden tener problemas de
correlación contemporánea si las observaciones de ciertas
unidades están correlacionadas con observaciones de otras
unidades en el mismo periodo de tiempo.
AUTOCORRELACIÓN
La independencia se viola cuando los errores de diferentes
individuos están correlacionados (correlación contemporánea),
o cuando los errores dentro de cada individuo se correlacionan
temporalmente (correlación serial) o ambos.
33 Para una discusión de esta prueba, consulta Greene, W. 2000. Econometric Analysis. Upper Saddle River, NJ: Prentice Hall, p. 601.
34 Muchas de las pruebas que se utilizan para diagnosticar problemas de correlación serial en series de tiempo han sido ajustadas para aplicarse a
datos tipo panel en Stata. Estas pruebas puedes bajarlas por internet del modulo “PANELAUTO” y “PANTEST2” tecleando en la línea de comando:
ssc install panelauto y ssc install pantest2.
35 Para una discusión más amplia de esta prueba, consulta Wooldridge, J. M. 2002. Econometric Analysis of Cross Section and Panel Data.
Yit vi 1 X1it i it
Donde |ρ|<1 y εit es una vaiid con media cero y varianza 𝜎𝜀2 . La
selección del modelo RE o FE utiliza los mimos supuestos que
modelos anteriores sobre el componente individual no
observado (αi).
36Baltagi, B. H., and P. X. Wu. 1999. Unequally spaced panel data regressions with AR(1) disturbances. Econometric Theory 15: 814–823.
37Baltagi, B. H., and Q. Li. 1991. A transformation that will circumvent the problem of autocorrelation in an error-component model. Journal of
Econometrics 48: 385–393.
38Para una introducción técnica pero fácil de entender sobre las propiedades de FGLS y PCSE, ver: Nathaniel Beck, “Time-Series-Cross-Section
Data: What Have We Learned in the Past Few Years?”, Annual Review of Political Science, 4: 271-93 (2001).
ó también el comando:
xi: xtgls spend dem1 demmaj1 demgov divgov dis1 persinc* aper*
popul* i.stcode i.year, panels (correlated) corr(ar1)
39 Hasta la fecha, el debate entre FGLS y PCSE continúa, y ya se han desarrollado algunos métodos alternativos. Para propósitos de este curso, vale
la pena estimar ambos métodos y comparar resultados.
y ∗ si y ∗ > 0
y={
0 si y ∗ ≤ 0
40 El estimador de Variables Instrumentales (IV) es un caso especial del Método Generalizado de Momentos (GMM)
permite optimizar el cálculo efectivo de integrales sobre intervalos incluso infinitos. La principal funcionalidad es la solución eficaz de integrales.
Las Cuadraturas Mecánicas o de Gauss demuestran la existencia de cuadraturas estableciendo su forma explícita para intervalos finitos de
integración. La extensión de estos métodos a intervalos infinitos fue realizada posteriormente por los franceses Legendre, Laguere, Hermite y
otros.
Desventajas:
1. En términos generales, las desventajas asociadas a la técnica
de datos panel se relacionan con los procesos para la
obtención y el procesamiento de información estadística
sobre las unidades individuales de estudio, cuando esta se
obtiene por medio de encuestas, entrevistas o utilizando
algún otro medio de levantamiento de los datos. Ejemplos
de este tipo de limitaciones son cobertura de la población de
BIBLIOGRAFIA
Cameron, C. & P. Trivedi. Microeconometrics: Methods &
Applications, Cambridge U. Press, 2005
Hilbe, J. Negative Binomial Regression. 2006
Hsiao, C. Analysis of Panel Data. Editorial: Cambridge University
Press. 2003
Long, J. Scott. Regression Models for Categorical and Limited
Dependent Variables. 1997.
Wooldridge, J. Econometric Analysis of Cross Section and Panel
Data. 2002
Winkelmann, R. Econometric Analysis of Count Data. Springer.
2008.
INTRODUCCIÓN
En 1970, Box y Jenkins desarrollaron un cuerpo metodológico
destinado a identificar, estimar y diagnosticar modelos dinámicos
de series temporales en los que la variable tiempo juega un papel
fundamental, conocidos como modelos ARIMA.
Por ejemplo....
Ciclos de crecimiento intertrimestral de la economía americana puede señalarse
que, a principios de 2000, el ciclo económico de crecimiento no había
terminado.
10%
8%
6%
4%
2%
0%
-2%
-4%
1970
1975
1980
1985
1990
1995
2000
Componente de tendencia: Generalmente asociado con el cambio
en la media a lo largo del tiempo. Se identifica la tendencia con el
patrón de evolución sostenido a medio o largo plazo por encima
de la existencia de movimientos a corto plazo.
Por ejemplo....
La representación de los índices bursátiles DOW JONES, IBEX y NIKKEI revelan
en el caso del DOW JONES e IBEX la tendencia de la cotización de los índices ha
sido creciente durante los últimos 15 años y especialmente acelerada desde
mediados de 1995.
Por ejemplo....
Observando la serie mensual de ventas de artículos de navidad puede comprobarse
como existe una marcada estacionalidad, especialmente en el período de finde año.
250000
200000
150000
100000
50000
1995
1996
1997
1998
1999
2000
ECUACIONES DE YULE-WALKER
Sea el model AR(p) donde se omite la constante por simplicidad
en la exposición:
ˆ k N 0, 1 n
Como para cualquier distribución normal estándar, el intervalo de confianza al 95% es 1,96*DT , pueden calcularse los límites de nulidad de los
“ρ”: cualquiera que se salga de esos límites es estadísticamente distinto de “0” (límites que aparecen dibujados en el correlograma de E-Views)
Q de Box-Pierce
Q de Ljung-Box
La PAC muestra la El estadístico de prueba Ljung- Grafica la AC la cual Grafica la PAC la cual no
La AC muestra la correlación
correlacion entre el valor Box parte de la hipótesis nula demuestra un lento muestra picos después del
entre el valor corriente de
corriente de unemp y su que todos los coeficientes de decaimiento en la segundo rezago lo cual
unemp y el valor 3 trimestres
valor tres trimestres atrás es correlación superiores al tendencia, siguiriendo no muestra que los otros
atrás es 0.8045. AC puede ser
0.1091 sin el efecto de los rezago k son iguales a cero, estacionareidad dentro rezagos son espejos del
utilizado para definir el
dos periodos previos. PAC Esta serie muestra del proceso estocastico. segundo rezago.
modelo MA(q) únicamente si
puede ser utilizado para autocorrelación significativa en
la serie es estacionaria.
definir el modelo AR(p) el valor Prob>Q el cual en
únicamente en series cualquiera es menor que 0.05,
estacionarias por lo tanto, rechaza la
hipótesis nula que todos los
rezagos son no
correlacionados.
TRANSFORMACIONES A LA SERIE
En su mayoría las series de tiempo económicas tienen
características incompatibles con una proceso generador de datos
(DGP) estacionario.
D Yt Ds Log Yt
De forma general:
TRANSFORMACIONES DE BOX-COX
La familia de transformaciones más utilizada para resolver los
problemas de falta de normalidad y de heterocedasticidad de una
serie es la familia de transformaciones Box-Cox.
p (L)Y t = 0 + at
La utilidad del polinomio de rezagos no es permitir una notación
abreviada. Las características del polinomio de rezagos o, más
concretamente, el valor de sus raíces características (soluciones
del polinomio) permiten analizar las propiedades de
estacionariedad del proceso estocástico que subyace al modelo
ARIMA.
CONDICIONES DE ESTACIONAREIDAD
Sea el modelo Autoregresivo de orden P (se omite la constante
por simplicidad) se tiene que:
De manera sintética:
Y t = at + at -1 + at -2 + at -3 + ....+ at - j +
2 3 j
TENDENCIAS DETERMINISTAS
Cuando se analiza la solución general a una ecuación en
diferencias que representa una serie de tiempo, se admite una
descomposición de la serie en componentes cíclico, tendencia,
estacional y estocástico.
TENDENCIAS ESTOCÁSTICAS
Si se observan algunas series en economía, se puede caer en la
tentación de calificarlas entre aquellas con tendencias
deterministas como las observadas hasta aquí.
12.0000 50.0000
10.0000
8.0000 40.0000
6.0000
30.0000
4.0000
2.0000
20.0000
0.0000
-2.0000
10.0000
-4.0000
-6.0000
0.0000
-8.0000
-10.0000 -10.0000
ene-96
ene-97
ene-98
ene-99
ene-00
ene-01
ene-02
ene-03
ene-04
ene-05
ene-96
ene-97
ene-98
ene-99
ene-00
ene-01
ene-02
ene-03
ene-04
ene-05
PASEO ALEATORIO CON DERIVA (TENDENCIA DETERMINISTA
MÁS TENDENCIA ESTOCÁSTICA)
El paseo aleatorio con deriva (drift) incorpora una constante a0
dentro de la expresión del paseo simple de la forma:
CONCEPTO DE INTEGRACIÓN
Si se toma un paseo aleatorio (random walk) y es expresado en
primeras diferencias se comprueba que, además de seguir
siendo estacionario en media, se convierte también en un
proceso estacionario en varianza, es decir:
Además:
O lo que es igual:
600,00
400,00
200,00
0,00
-200,00
-400,00
1
6
11
16
21
26
31
36
41
46
51
56
61
66
71
76
81
86
91
96
GENERACIÓN DE SERIE FILTRADA DE TENDENCIA
Para realizar un filtro de tendencia, se asume que la tendencia
(Tt) es un componente que se agrega a la serie sin tendencia
(YSTt) generando la serie original (Yt).
15
22
29
36
43
50
57
64
71
78
85
92
99
15
22
29
36
43
50
57
64
71
78
85
92
99
yi a tib ui yi a bt ui
TENDENCIA Logarítmica TENDENCIA Polinomica
Serie Logarítmica Ajuste Tendencia Polinómica Ajuste
40,00 100,00
35,00 80,00
30,00
60,00
25,00
40,00
20,00
20,00
15,00
10,00 0,00
5,00 -20,00
0,00 -40,00
1
7
13
19
25
31
37
43
49
55
61
67
73
79
85
91
97
1
7
13
19
25
31
37
43
49
55
61
67
73
79
85
91
97
yi a b ln( t ) ui yi a b t b t 2 ui
AJUSTE DE TENDENCIA
Ajuste de Tendencia Correcto (serie Ajuste de Tendencia Incorrecto (tendencia
oscilante alrededor de una tendencia sobreparametrizada)
monótonamente creciente)
30.0000 30.0000
25.0000 25.0000
20.0000 20.0000
15.0000 15.0000
10.0000 10.0000
5.0000 5.0000
0.0000 0.0000
96
97
98
99
00
01
02
03
04
05
96
97
98
99
00
01
02
03
04
05
e-
e-
e-
e-
e-
e-
e-
e-
e-
e-
e-
e-
e-
e-
e-
e-
e-
e-
e-
e-
en
en
en
en
en
en
en
en
en
en
en
en
en
en
en
en
en
en
en
en
2. Si existen dudas sobre el modelo de tendencia a utilizar,
pueden probarse especificaciones alternativas (lineal Vs
logarítmica, potencial Vs exponencial, por ejemplo) y
utilizarse los resultados de la regresión (R2, porcentaje de
error absoluto medio, contrastes t para los términos
incluidos en la regresión, etc) con el fin de valorar cuál de las
especificaciones ajusta mejor la evolución de la serie.
3. Las tendencias pueden ser compuestas, es decir, para un
determinado período de análisis pueden combinarse
distintos tipos de tendencias (primero lineal creciente, luego
lineal decreciente, por ejemplo)
4. Algunas tendencias pueden no ser lineales por lo que su
estimación con un modelo de regresión lineal requerirá la
linealización previa de la función a estimar si no se conocen
métodos de estimación no lineales.
Modelo 1. Simple
Modelo 2. Constante
Modelo 3. Constante y
tendencia determinística
La hipótesis nula en este caso será que yt tenga una raíz unitaria,
o sea, que ∆yt sea estacionaria.
Dónde:
Calculando
NO SI
¿Es estacionaria en media ?
Aplicar Aplicar
diferencias diferencias
(1) Continuamos con la (2) Continuamos con (3) Continuamos con la (4) Continuamos con
serie filtrada en la serie filtrada serie en diferencias la serie original
diferencias “dYt(ft)” “Yt(ft)” “dYt” “Yt”
46 Existen varias propuestas al respecto: DF Estacional (Dickey Fuller) , HEGY (Hyllenerg,Engle,Granger y Loo) , CH (Canovas – Hansen)
REGRESIONES ESPURIAS
El problema de la aparición de regresiones espurias en los
resultados de un buen número de análisis económicos es
siempre atribuido a Granger y Newbold (1974).
Efectivamente, en la regresión:
35
10
30
0
25
-10 20
-20 15
10
-30
5
-40
0
-50 -5
1 14 27 40 53 66 79 92 105 118 131 144 157 170 183 196 209 222 235 248 261 274 287 300 313 326 339 352 365 378 391 404 417 430 443 456 469 482 495 1 14 27 40 53 66 79 92 105 118 131 144 157 170 183 196 209 222 235 248 261 274 287 300 313 326 339 352 365 378 391 404 417 430 443 456 469 482 495
Estimación
Los parámetros del modelo ARMA pueden estimarse por Máxima
Verosimilitud asumiendo una distribución condicional concreta
para la serie de interés. Aunque las observaciones no son
mutuamente independientes, la verosimilitud puede obtenerse
mediante la siguiente función de verosimilitud:
Prueba Objetivo
PRONOSTICO
Si se ha encontrado un modelo adecuado para el proceso
generador de datos (DGP) de una serie de tiempo puede ser
utilizada para pronosticar el desarrollo futuro de la variable en
estudio.
estocasticas.
400000
0
-200000
0 96 97 98 99 00 01 02 03 04 05
96 97 98 99 00 01 02 03 04 05
Residual Actual Fitted
SERIE1
1500000
1000000
40000
500000
20000
0
0
-500000
-20000
-40000
96 97 98 99 00 01 02 03 04 05
PROCEDIMIENTO
Las etapas que se deben seguir en la elaboración de un modelo
ARIMA con fines predictivos son las siguientes:
Etapa 1. Identificación.
Esta fase consiste en detectar el tipo de proceso estocástico que
ha generado los datos. Esto significa encontrar los valores
adecuados del la parte autoregresiva (p),el orden de integración
(d) y el componente de mendia móvil (q) del modelo ARIMA. Las
herramientas fundamentales en la identificación son el
correlograma muestral y el correlograma parcial muestral.
Etapa 2. Estimación.
En esta etapa se estiman los coeficientes de los términos
autorregresivos y de media móvil incluidos en el modelo, cuyo
número de rezagos p y q ya han sido identificados en la etapa
anterior.
que luego de ser estimados son útiles para la elección del más
apropiado.
Etapa 4. Pronóstico.
El paso mas importante. Se pronostica un periodo futuro a partir
del modelo seleccionado. Es decir, aquel que es “el mejor”
resultante de las etapas anteriores, es importante considerar si
la variable original fue diferenciada. Se hace necesario ejecutar
pruebas de backtesting e intramuestra para verificar al
asertividad del modelo.
SELECCIÓN DE MODELOS
Existen dos metodologías en la selección de modelos de
pronóstico. La primera parte de los criterios de información. La
segunda utiliza metodologías de minimización del error de
pronóstico.
CRITERIOS DE INFORMACIÓN
La selección de modelos en el análisis econométrico involucra
tanto consideraciones estadísticas como no estadísticas. Esto
dependerá de los objetivos del análisis, de la naturaleza y
extensión de la teoría económica utilizada y de los resultados
estadísticos del modelo bajo consideración comparado con otros
modelos econométricos.
yˆ
i 1
i y i
2
U Theil n
n n
yˆ i
2
y i
2
i 1
i 1
n n
PROCESOS ESTACIONALES
Durante los últimos años se presenta un aumento pronunciado
del interés por el análisis de la variación estacional de las series
cronológicas.
s
y t i Dit t
i 1 (1)
Donde las variables Dit (i = 1,2,..., s) toman el valor 1 cuando t
corresponde a la estación i, y cero en los otros casos, y donde t
es un conjunto de variables aleatorias idéntica e
independientemente distribuídas (IID). Esta ecuación puede ser
reformulada para evitar la confusión entre los niveles de las
diferentes estaciones, de la siguiente manera:
s 1
y Di * *
(2)
t i t t
i 1
(1 L)d (1 Ls ) D X t d Ds X t
es estacionaria. El segundo concepto
establece que una serie cronológica es integrada de orden d0 y ds,
denotado SI(d0,ds), si (1 L) [S ( L)] X [S ( L)] X es estacionaria,
d0 ds d0 ds
t t
Si una variable tiene que ser filtrada de alguna manera para que
se transforme en estacionaria, esto puede ser causado por una
raíz unitaria, o por raíces unitarias de alguna frecuencia
estacional. Este hecho determina cual será el modelo de
regresión que debe ser estimado para hacer la prueba dada una
hipótesis nula. La idea básica es que cuando la hipótesis nula
establece que existe una raíz unitaria en el rezago de orden 1 o
en los rezagos estacionales, los estadísticos de la prueba de
hipotesis son modificados de manera tal que, al estimarse la
regresión, se usen datos apropiadamente diferenciados (con Δ o
Δs, respectivamente). Cuando la hipótesis mantenida es que
existen raíces unitarias en las frecuencias estacionales, deben
usarse datos estacionalmente corregidos.
(1 L2 )(1 L2 ) (7.3)
47 En este caso la hipótesis nula de existencia de dos raíces unitarias en la frecuencia cero ya fue rechazada. El modelo usado en aquel test es
semejante a la ecuación (8): la variable dependiente es 12 yt y las auxiliares fueron obtenidas con los filtros anteriores, apenas que
aplicados a yt en vez de yt .
k
3Y3t 2 i 4 yt i t (8)
i 1
donde
2 j
j s
s ( j 1, 2,.... 2)
t 1
T
~
Ft f t u~t ~
Donde es una secesión de sumas parciales, u es el
t 1 t
s ~
j hlf fj j
Para y donde
2 es un elemento característico de . La
distribución asintótica del estadístico de la prueba es la
distribución generalizada de Von Misses con grados de libertad
según la dimensión del proceso de sumas parciales. Las pruebas
Lj son complementos útiles de la prueba conjunta Lf. Si la prueba
conjunta rechaza la hipótesis nula esto podría deberse a la
existencia de raíces unitarias en cualquiera de las frecuencias
estacionales.
160
140
120
100
80
60
40
60 65 70 75 80 85 90
IND70NOR IND70SEC
(5%)
Periodo: 1960–1974 1 – 2,91 – 2,96
Ecuación con constante, sin 2 – 5,63 – 1,95
tendencia y sin ‘dummies’ 3 – 5,92 – 1,90
estacionales. N = 60 4 –3,70 – 1,72
3 33,48 3,04
4
Periodo: 1975–1994 1 – 4,89 – 2,88
Ecuación con constante, sin 2 – 6,90 – 1,95
tendencia y sin ‘dummies’ 3 – 6,90 – 1,90
estacionales. N = 80 4 –3,35 – 1,68
3 40,80 3,08
4
Periodo: 1960–1994 1 – 4,34 – 3,46
Ecuación con constante, con 2 – 8,67 – 1,96
tendencia y sin ‘dummies’ 3 – 8,44 – 1,90
estacionales. N = 140 4 – 5,20 – 1,64
3 68,25 3,04
4
Inestabilidad en todos
los trimestres
BIBLIOGRAFÍA
1 Wooldridge, Jeffrey M. (2003).Econometric Analysis of
Cross Section and Panel Data. MIT Press.
2 Kalman, R.E., A New Approach to Linear Filtering and
Prediction Problems, Trans. ASME,J. Basic Engineering,
vol 82, March 1960, pp 94-35.
3 Hamilton, J.D. (1994) “Time Series Analysis”, Princeton
University Press.
4 Amemiya T.(1985), Advanced Econometrics. Harvard
University Press.
5 Greene W. (1997), Econometric Analysis. Prentice Hall,
tercera edición.
6 White, H. (1984), Asymptotic Theory for
Econometricians. Academic Press
7 Kydland, Finn y Prescott, Edward. (1990). "Business
Cycles: Real Facts and a Monetary Myth". En: Quarterly
Review. Federal Reserve Bank of Minneapolis.
Primavera. P.3-18.
EL MODELO VAR
49 La defincion de exogeneidad estadística se expondrá con mas detalle en el documento siguiendo a Sims (1980)
o, en forma matricial,
UN MODELO ESTRUCTURAL
Es útil interpretar el modelo VAR como una forma reducida de
un modelo estructural,
Con
Donde
Tendríamos,
Por lo que,
CONDICIONES DE ESTABILIDAD
Si resolvemos recursivamente el modelo VAR(1) tenemos,
Además,
Se tiene que
Finalmente,
CONTRASTES DE CAUSALIDAD
Donde,
Que conduce a,
tienen sobre las dos variables del modelo y1t e y2t una
perturbación en las innovaciones ε1t, ε2t. Por ejemplo, los
coeficientes φ12(s) reflejan el impacto que en los distintos
períodos s, s≥1, tiene sobre y1 una perturbación del tipo impulso
en ε2. Es decir, consideramos que ε2 está en su valor de
equilibrio, cero, excepto en un período, en que toma un valor
igual a 1; como reaccionan, y dicha respuesta se extiende a
varios períodos, hasta que las sucesión φ12(s) se hace cero. La
sucesión de valores numéricos {φ12(s)} se conoce como la
respuesta de y1 a un impulso en ε2. El efecto, multiplicador o
respuesta a largo plazo es la suma ∑∞ 𝑠=0 𝜙12 (𝑠). Esta suma existe
si las variables son estacionarias, pues en tal caso ha de
cumplirse |∑∞ 𝑠=0 𝜙12 (𝑠)|<∞. El problema al que nos enfrentamos
al tratar de calcular las funciones de impulso respuesta es que, si
bien contamos con estimaciones numéricas de los parámetros βij
con i,j=1,2, desconocemos los parámetros α11 y α21 que aparecen
en (9.2). En el modelo recursivo que antes vimos, se tiene α21=0.
Además, se prueba en el ejercicio 1 que en este modelo el
parámetro α11 puede recuperarse mediante 𝛼̂1=σu1u2/σ2u2. En
ese caso, u2t=ε2t y u1t = ε1t+α11ε2t=ε1t+α11u2t.
DESCOMPOSICIÓN DE LA VARIANZA
Si utilizamos la representación MA para obtener predicciones de
las variables y1, y2, tenemos,
Entonces
BIBLIOGRAFÍA
1 Wooldridge, Jeffrey M. (2003).Econometric Analysis of
Cross Section and Panel Data. MIT Press.
2 Kalman, R.E., A New Approach to Linear Filtering and
Prediction Problems, Trans. ASME,J. Basic Engineering,
vol 82, March 1960, pp 94-35.
3 Hamilton, J.D. (1994) “Time Series Analysis”, Princeton
University Press.
4 Amemiya T.(1985), Advanced Econometrics. Harvard
University Press.
5 Greene W. (1997), Econometric Analysis. Prentice Hall,
tercera edición.
6 White, H. (1984), Asymptotic Theory for
Econometricians. Academic Press
7 Kydland, Finn y Prescott, Edward. (1990). "Business
Cycles: Real Facts and a Monetary Myth". En: Quarterly
Review. Federal Reserve Bank of Minneapolis.
Primavera. P.3-18.