Johansen

Nociones Elementales de Cointegracin Enfoque de Soren Johansen
HL Mata
Nociones Elementales de Cointegracin Enfoque de S. Johansen
Borrador para discusin
Profesor Titular de la Facultad de Ciencias Econmicas y Sociales (FACES) de la Universidad de los Andes (ULA). No hay ninguna pretensin de originalidad en estas notas. Las mismas existen por todas partes. Mi mayor contribucin, si acaso alguna, consisti en ubicarlas, sistematizarlas, adaptarlas y publicarlas para beneficio de Estudiantes de la Facultad de Ciencias Econmicas y Sociales de la Universidad de los Andes.
HL Mata
Conceptos de Cointegracin
Desde el punto de vista de la Economa Se dice que dos o mas series estn cointegradas si las mismas se mueven conjuntamente a lo largo del tiempo y las diferencias entre ellas son estables (es decir estacionarias), an cuando cada serie en particular contenga una tendencia estocstica y sea por lo tanto no estacionaria. De aqu que la cointegracin refleja la presencia de un equilibrio a largo plazo hacia el cual converge el sistema econmico a lo largo del tiempo. Las diferencias (o trmino error) en la ecuacin de cointegracin se interpretan como el error de desequilibrio para cada punto particular de tiempo. Desde el punto de vista de la Econometra Dos o ms series de tiempo que son no estacionarias de orden I(1) estn cointegradas si existe una combinacin lineal de esas series que sea estacionaria o de orden I(0). El vector de coeficientes que crean esta serie estacionaria es el vector cointegrante.
HL Mata
Segn S. Johansen la mayor parte de las series temporales son no estacionarias y las tcnicas convencionales de regresin basadas en datos no estacionarios tienden a producir resultados espurios Sin embargo, las series no estacionarias pueden estar cointegradas si alguna combinacin lineal de las series llega a ser estacionaria. Es decir, la serie puede deambular, pero en el largo plazo hay fuerzas econmicas que tienden a empujarlas a un equilibrio. Por lo tanto, las series cointegradas no se separarn muy lejos unas de otras debido a que ellas estn enlazadas en el largo plazo
HL Mata
Caractersticas de las Series Temporales

1200 1000 800
La mayora de las Series tienen una tendencia. Su valor medio cambia con el tiempo. Son las llamadas Series no estacionarias. Algunas Series describen meandros, es decir, suben y bajan sin ninguna tendencia obvia o tendencia a revertir hacia algn punto Algunas series presentan Shocks persistentes. Los cambios repentinos en estas series tardan mucho tiempo en desaparecer Algunas series se mueven conjuntamente, es decir tienen co movimientos positivos, ejemplo: diferentes tasa de inters La Volatilidad de algunas Series vara en el tiempo. Muchas series pueden ser ms variables en una ao que en otro
1.6E+07 1.4E+07 1.2E+07
140000 160000 150000
1.0E+07
600 400 200
8.0E+06 6.0E+06 4.0E+06 2.0E+06
130000 120000 110000 100000
0 93 94 95 96 97 98 IPC 99 00 01 02 03
0.0E+00 93 94 95 96 97 98 M1 99 00 01 02 03
90000 93 94 95 96 97 98 PIBR 99 00 01 02 03
HL Mata
Enfoques de Cointegracin
Engel-Granger (1987)
Aplicable a modelos uniecuacionales (con dos o ms variables ?) Mtodo en dos etapas basado en los residuos estimados Asume a priori que existe un solo vector de cointegracin en el modelo El resultado de este mtodo de cointegracin puede cambiar dependiendo de cual variable se seleccione como dependiente
Johansen, S. (1988,1991)
Aplicable a sistemas de ecuaciones Este mtodo est basado en modelos VAR (Vectores autorregresivos). Es un test de mxima verosimilitud que requiere grandes volmenes de datos (100 ms) Prueba la existencia de mltiples vectores de cointegracin entre las variables, mediante la prueba de la Traza y del Eigenvalue mximo Descansa fuertemente en la relacin entre el rango de la matriz y sus races caractersticas
HL Mata Nociones Elementales de Cointegracin Enfoque de S. Johansen
Enfoque de Soren Johansen
HL Mata
Durante las pasadas dos dcadas los Economistas han desarrollado ciertas herramientas para examinar si las variables econmicas tienen tendencias comunes, tal como lo predice la Teora econmica. Una de esas herramientas son las llamadas pruebas de cointegracin. El procedimiento multivariado de S. Johansen (1988 y 1991), profesor de estadstica matemtica de la Universidad de Copenhagen, se ha convertido en un mtodo muy popular para probar la existencia de cointegracin en la variables I(1) y I(0), en donde I(1) y I(0) indican integracin de primer y cero orden, respectivamente. En la tecnologa de S. Johansen, es necesario analizar las series previamente con el fin de conocer si presentan o no races unitarias. Las series que presenten races unitarias se colocan en un vector autorregresivo a partir del cual se puede probar la existencia de una o mas combinaciones lineales J(U) o vectores de cointegracin, como tambin se les denomina. .
Metodologa de S. Johansen
Determinar el orden de integracin a cada una de las series includas en el modelo. Especificar un Vector AutoRegresivo (VAR) con las series que resulten integradas de orden I(1). Seleccionar las Variables del Modelo Seleccionar las transformaciones de las variables, si las hubieren Determinar el retardo ptimo del VAR para asegurar que los residuos sean ruido blanco (white noise) Especificar las variables determinsticas (variables dummy, tendencias,
etc)
Diagnstico del VAR estimado Aplicar el procedimiento de Mxima Verosimilitud al vector autorregresivo con el fin de determinar el rango (r) de cointegracin del sistema: Prueba de la Traza Prueba del Eigenvalue Mximo (valor propio) Estimar el modelo Vector de Correccin de Errores Determinar la relacin causal entre las variables del modelo
Datos: Descripcin
Los series utilizadas en este trabajo se obtuvieron de la Tabla 21-1 Informacin Macroeconmica, Estados Unidos, 1970.1 a 1991.4 Damodar N. Gujarati (2003) Basic Econometrics, McGraw Hill, 5ta edicin. Sigan el procedimiento de la diapositiva 11 para bajar los datos y transcriban las series con el software EViews 4.1. Guarden los datos en un disco flexible con el nombre USA
Series Trimestrales:
Tamao de la muestra: 1970.1 - 1991.4
Series originales (Level: en su forma original, sin transformacin):

GCP = Gasto Consumo Personal IPD = Ingreso Personal Disponible
Series transformadas en logartmicas (o en tasas de cambio)

LGCP = Logaritmo de la serie GCP LIPD = Logaritmo de la serie IPD
10
Procedimiento para bajar los datos desde Internet

1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. Visiten la direccin: http://www.estima.com/Gujarati's%20Basic%20Econometrics.shtml En la pgina Textbook Examples Files. Gujaratis Basics Econometrics, hagan clic en el hipertexto Gujarati Vers5.zip para mostrar su contenido. Clic en Abrir Arrasten la barra de desplazamiento vertical hasta el archivo table21-1.prn Hagan doble clic sobre dicho archivo y Maximicen la ventana Hagan clic en el men Archivo y seleccionen Guardar Como. En Nombre del archivo, escriban Table21-1 o cualquiera otro: Cierren todas las ventanas Abran la Aplicacin MS Excel. Hagan clic en ArchivoAbrir. En tipo de archivo seleccionen: Archivos de texto. En nombre de archivo: seleccionen Table21-1.prn En tipo de los datos originales, seleccionen: De ancho fijo En origen de los tados, seleccionen: Windows (ANSI). Clic en Siguiente Arrastren las barras a las columnas 10, 20, 30, 40 y 50, respectivamente para delimitar las series: GDP, PDI, PCE, PROFITS y DIVIDENDS. Clic en Siguiente En formato de los datos en columna, seleccionar: No importar Columna. Finalizar Clic en el men Edicin y seleccionen Reemplazar. En el cuadro de texto BUSCAR escriban un punto (.) y en REEMPLAZAR POR una coma (,). Hagan clic en el botn Reemplazar todo y luego en Cerrar Hagan Clic en Archivo- Guardar como. En Nombre del archivo, escriban USA En Guardar como tipo, seleccionen Hoja de Clculo XML Clic en Guardar Importen el archivo desde la aplicacin Econometric Views (EViews)
11
Determinar el Orden de Integracin a cada una de las Series Incluidas en el Modelo
HL Mata
12
Orden de Integracin
El orden de integracin se refiere al nmero de veces que se debe diferenciar una serie de tiempo (calcular su primera diferencia) para convertirla en una serie estacionaria Se dice que una serie de tiempo est integrada de orden d, escrita I(d), si despus de diferenciarla d veces se convierte en estacionaria. Las series que son estacionarias sin diferenciar se denominan I(0), ruido blanco Si se calcula la primera diferencia de una serie y sta se vuelve estacionaria, se dice entonces que la misma est integrada de orden I(1), random walk. Si la integracin se alcanza despus de calcular la segunda diferencia, se dir que la serie esta integrada de orden 2, es decir I(2) Si una combinacin lineal de 2 variables I(1) genera errores I(0), se dice que las 2 variables estn cointegradas Si dos variables estn integradas de diferentes rdenes, digamos que una es I(1) y la otra de orden I(2), no habr cointegracin En economa slo tienen importancia las series integradas de orden I(1). Cul es el orden de integracin de nuestras variables GCP e IPD ?
HL Mata
13
Valores de Probabilidad - P-values

Use estos valores para decidir la significacin o no de las pruebas estadsticas Aparecen en el anlisis de regresin con el ttulo [Prob]. P es la abreviatura de Probabilidad [Prob]. Especifica el nivel de significacin ms bajo al cual se puede rechazar la hiptesis nula Prueba de hiptesis con el p-value y/o (Prob) 1. 2. Definan previamente el nivel de significacin Regla de decisin: p Rechace Ho si No rechace a Ho si p > En estadstica es convencional rechazar la hiptesis nula con un nivel de significacin = 0.05. Cuando se rechaza la hiptesis nula se dice que los resultados del estudio son estadsticamente significativos al nivel
Cmo interpretar los p-values o los valores de las probabilidades:

P<.10 No significativo 0.05<p<0.10 0.001<p<0.01 altamente significativo
HL Mata
marginalmente significativo 0.01<p<0.01 p<0.01 fuertemente significativo
Significativo
14
Pruebas para Identificar no Estacionariedad Pruebas Informales:

Representacin grfica de las series Correlograma Estadstico BP o Q de Box-Pierce Estadstico LB o Q de Ljung-Box
Pruebas Formales:
Estadstico de Dickey-Fuller (DF) Estadstico Aumentado de Dickey-Fuller (ADF) Estadstico de Phillips-Perron (PP
HL Mata
15
Representacin Grfica de las Series

Entren en el Programa Econometric Views (Eviews) Clic en File Open WorkFile - A: - USA.wf1 Abrir Clic sobre la variable (serie) GCP para seleccionarla Manteniendo oprimida la tecla Control hagan clic sobre IPD Hagan doble clic sobre la serie GCP y seleccionen Open Group Clic en View (del archivo de trabajo) Graph - Line
Grfico en la siguiente Diapositiva: Las series GCP e IPD crecen en el tiempo. Comportamiento caracterstico de series No estacionarias.
16
Plot de las Series GCP e IPD

3600 3200
2800
2400
2000
1600 70 72 74 76 78 80 82 84 IPD
17
86
88
90
GCP
HL Mata
Transformar las Series en Primera Diferencia

Clic en el botn de Cerrar (el botn rojo inferior) para cerrar la Ventana del Grupo Clic en el botn de comando YES para confirmar el cierre Calcular Primeras Diferencias:
Series y escriban: Clic en Quick - Generate Series y escriban:
Clic en Quick - Generate
DGCP=GCP-GCP(-1) DIPD=IPD-IPD(-1)
Clic OK Clic OK
Representar las Series en Primeras Diferencias Seleccionen las variables Transformadas DGCP y DIPD, respectivamente Doble clic sobre la serie DGCP y seleccionen Open Group
.
Clic en View (archivo de trabajo) Graph
- Line
La inspeccin grfica de las series sugiere que las mismas pueden ser estacionarias
HL Mata
18
Representacin Grfica de las Series GCP e IPD en Primeras Diferencias

El Plot de las dos series se hizo con el software MicroFit, versin 4.1.
Las Series parecen moverse no alrededor del tiempo sino alrededor de sus Medias, Varianzas y Covarianzas, caracterstica de las series estacionarias
19
Funcin de Autocorrelacin, Correlogramas y Estadsticos de Box Pierce y Ljung Box
HL Mata
20
Funcin de Autocorrelacin
La funcin de autocorrelacin de una serie GCP da la correlacin terica entre los valores de la serie en el perodo t y sus valores en el tiempo t+k, para todo valor de k desde 1 hasta n, cuya frmula es la siguiente:
k =
cov(xt , xt + k ) k k = = para todo k = 1,..., var( xt ) var(xt + k ) 0 0 0
Regla de decisin: Los coeficientes de autocorrelacin de los procesos estacionarios tienden a cero (0) rpidamente a medida que aumenta el nmero de retardos K Los coeficientes de autocorrelacin de los procesos no estacionarios decaen muy lentamente, a cero (0), a medida que aumenta K El grfico de k es el correlograma el cual provee una informacin importante para el anlisis de las series temporales. Noten que k (rho) es igual a 1
21
Crear un Correlograma
Clic en el botn de Cerrar ( botn rojo inferior) para cerrar la Ventana del Grupo Clic en el botn de comando YES para confirmar el cierre Doble clic sobre la serie GCP Clic en View - Correlograma (En Correlogram of, seleccionen Level. En lags to
include, seleccionen entre un 25 y un 30% del nmero de observaciones)
Clic en el botn OK. Repitan el procedimiento en Primeras Diferencias. Comparen

22
Correlograma de las Series GCP e IPD

Mtodo para determinar si una serie es estacionaria. Consiste en representar los valores de la funcin de autocorrelacin muestral (ACF, por sus siglas en ingls) con respecto a la longitud del retardo. En nuestro ejemplo, la longitud del retardo es 36 Correlogramas de las series GCP e IPD para 36 retardos. ( Grficos en MicroFit 4.1)
Si el correlograma empieza en un valor muy alto y decae muy lentamente hacia cero: Serie No Estacionaria. Si el correlograma decae muy rpidamente despus del primer retardo: Serie Estacionaria.
23
Pruebas de hiptesis de Q (BP y LB)

1. Planteamiento de hiptesis:
H 0 : 1 = 2 = ... = k = 0 Serie es White noise = Estacionaria H1 : 1 = 2 ... k 0 Serie Random walk = No estacionaria
Nmero de retardos recomendados: una cuarta parte del total de las observaciones
2.
Estadisticos de Box-Pierce (BP) y Ljung-Box (LB). Gujarati, p.701 m 2 m k 2 Q = n k2 LB = n(n + 2 ) m k =1 k =1 n k
2.
Recla de decisin:
Rechacen a Ho si el valor de probalidad o p-value] es que el nivel alfa 0.05 No rechace a Ho si el valor de la probabilidad o p-value es > que el nivel alfa 0.05
4.
Conclusin:
Dado que todas la probabilidades o p-values son menores de 0.05 se concluye que las series son no estacionarias
24
Serie GCP. Estadsticos Box-Pierce y Ljung-Box

*************************************************************** Orden Coeficiente Standard Box-Pierce Ljung-Box Autocorrela. Error Estadstico Q Estadstico ***************************************************************
1 2 3 4 5 6 7 8 9 10 .96891 .93525 .90136 .86579 .82982 .79122 .75193 .71250 .67491 .63814 .10660 .18083 .22930 .26654 .29678 .32207 .34345 .36167 .37729 .39077 82.6134[.000] 159.5870[.000] 231.0825[.000] 297.0469[.000] 357.6434[.000] 412.7341[.000] 462.4895[.000] 507.1635[.000] 547.2475[.000] 583.0827[.000] 85.4621[.000] 166.0159[.000] 241.7170[.000] 312.3932[.000] 378.1002[.000] 438.5656[.000] 493.8494[.000] 544.1077[.000] 589.7729[.000] 631.1213[.000]
*****************************************************************
Estadsticos calculados con MicroFit. Los valores entre corchetes son valores de Probabilidad o p-values. Rechace a Ho si el valor del p-value [valores entre corchetes] es menor que el nivel de significacin 0.05 Presten atencin a los estadsticos Q y LB y a sus correspondientes valores de Probabilidad. Todos son significativos y menores que el nivel alfa 0.05. Esto obliga a rechazar la hiptesis nula Ho: de que la Serie GCP es estacionaria. Por lo tanto, la serie GCP es una serie no estacionaria por presentar una raz unitaria
25
Serie IPD. Estadsticos Box-Pierce y Ljung-Box

*************************************************************** Orden Coeficiente Standard Box-Pierce Ljung-Box Autocorrela. Error Estadstico Q Estadstico ***************************************************************
1 2 3 4 5 6 7 8 9 10 .96699 .93425 .90142 .86762 .83310 .79829 .76253 .72655 .69147 .65661 .10660 .18060 .22902 .26631 .29669 .32218 .34393 .36263 .37881 .39289 82.2863[.000] 159.0952[.000] 230.5997[.000] 296.8437[.000] 357.9201[.000] 413.9999[.000] 465.1683[.000] 511.6215[.000] 553.6973[.000] 591.6376[.000] 85.1237[.000] 165.5052[.000] 241.2158[.000] 312.1915[.000] 378.4190[.000] 439.9700[.000] 496.8237[.000] 549.0836[.000] 597.0181[.000] 640.7953[.000]
*****************************************************************
Estadsticos calculados con MicroFit. Los valores entre corchetes son valores de Probabilidad o p-values. Rechace a Ho si el valor del p-value [valores entre corchetes] es menor que el nivel de significacin 0.05 Presten atencin a los estadsticos Q y LB y a sus correspondientes valores de Probabilidad. Todos son significativos y menores que el nivel alfa 0.05. Esto obliga a rechazar la hiptesis nula Ho: de que la Serie IPD es estacionaria. Por lo tanto, la serie IPD es una serie no estacionaria por presentar una raz unitaria
26
Pruebas Formales
HL Mata
27
Prueba de Dickey y Fuller (DF)

Antes de someter los datos a procesamiento electrnico Ud. debe investigar previamente si las series son o no estacionarias. Los resultados estimados a partir de series no estacionarias no tienen significado alguno. Es el denominado problema de regresin espuria. Dickey y Fuller (1979) sugieren las siguientes ecuaciones para determinar la presencia o no de races unitarias. Gujarati, pgina 703.
Yt = + T + Yt 1 + ut
La diferencia entre estas tres regresiones envuelve la presencia de componentes deterministicos: Intercepto (drift) y tendencia (T). La primera es un modelo puramente aleatorio. La segunda aade un intercepto o trmino a la deriva drift y la tercera incluye intercepto y un trmino de tendencia
Yt = Yt 1 + ut Yt = + Yt 1 + ut
El parmetro de inters en las 3 regresiones es

.
28
Prueba Aumentada de Dickey y Fuller (ADF)

La prueba aumentada de Dickey-Fuller (ADF) es una versin de la prueba de DF para modelos de series de tiempo mucho ms grandes y complicados. La ADF es un nmero negativo. Mientras ms negativo sea el estadstico ADF, ms fuerte es el rechazo de la hiptesis nula sobre la existencia de una Raz Unitaria o no estacionariedad La ecuacin de regresin se basa en las regresiones anteriores, pero aumentndolas con trminos retardados de la variable
Yt = + T + Yt 1 + Yt i + et
i =1
Use este estadstico cuando la prueba de DF no pueda corregir la correlacin serial en los residuos. El propsito de los retardos Yt i es asegurar que los residuos sean ruido blanco. Cuantos retardos usar ?. Empiece con 6 retardos y vaya disminuyndolos hasta que el estadstico indique que se ha corregido la autocorrelacin en los residuos.
29
Pasos para la Prueba de Hiptesis

1. Planteamiento de hiptesis:
H 0 : = 0 La Serie es no estacionaria : Tiene una raiz unitaria H1 : 0 La Serie es estacionaria
2.
Estadsticos para la prueba
t = tau = ADF
3.
los valores crti cos de MacKinnon
4.
Regla de decisin: Comparen el valor de tau con los valores crticos de MacKinnon Si | t | | valor crtico DF | Re chace a H . Serie estacionaria 0 Si | t | > | valor crtico DF | Acepte a H . Serie No Estacionaria 0 Conclusin:
GCP ... Como | t | > | valor crtico DF | Serie no estacionaria IPD | t | > | valor crtico DF | Serie no estacionaria Como
30
Prueba de Raz Unitaria con el EViews

Clic en el botn Cerrar (botn rojo inferior) para cerrar la Ventana del Grupo Doble clic sobre la serie GCP Clic en View y seleccionen Unit Root Test - Augmented Dickey Fuller
Level Trend and Intercept Schwartz Info. Criteria 1st diference Intercept Schwartz Inf. Criteria Maximum Lags: 11 OK Maximum Lags: 11 OK
Acepte a Ho :| 2.215287 | > | Valores crti cos |
Re chace a Ho :| 6.630339 | =< | Valores crti cos |
Estadtico Durbin Watson: 2.085875

HL Mata
Estadtico Durbin Watson: 2.034425

31
Prueba de Raz Unitaria de la Serie GCP

Level (Intercepto y tendencia y 3 retardos):
Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level Conclusin:
.
t-Statistics -2.215287 -4.068290 -3.462912 -3.157836
Prob.* 0.4749
Acepte la hiptesis nula, por cuanto el valor del ADF es mayor (menos negativo) que el valor crtico de McKinnon al 5%. (Transforme sus datos en logaritmos, primeras diferencias, tasas de cambios, etc.)
Primera diferencia (Intercepto y 0 retardos) :

Augmented Dickey-Fuller test statistic Test Critical Values: 1% level 5% level 10% level Conclusin:
. .
t-Statistics -6.630339 -3.508326 -2.895512 -2.584952
Prob.* 0.00000
El estadstico ADF, -6.630339, es un nmero suficientemente negativo Rechace la hiptesis nula a favor de estacionariedad por cuanto el valor del ADF es menor (ms negativo) que el valor crtico de MacKinnon al 1 % Note que la probabilidad asociada al estadstico tau (Prob) es menor que el nivel 0.05, lo cual ratifica el rechazo de la hiptesis nula de no estacionariedad Nociones Elementales de Cointegracin Enfoque de S. Johansen
HL Mata
32
Prueba de Raz Unitaria de la Serie IDP

Level (Intercepto y tendencia y 3 retardos): Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level Conclusin: Acepte a H0 por cuanto el valor absoluto del estadstico ADF, -2.588254 es mqyor (menos negativo) que el valor crtico de MacKinnon al 5 % s. (Cambie los datos a: logaritmos, primeras diferencias en logaritmos, tasas de cambios, etc.) Primera diferencia (Intercepto y 0 retardos) : Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level Conclusin: . El estadstico ADF, -9.636167, es un nmero suficientemente negativo . Rechace la hiptesis nula a favor de estacionariedad por cuanto el valor del ADF es mayor (ms negativo) que el valor crtico de MacKinnon al 1 % . Note que la probabilidad asociada al estadstico tau (Prob) es menor que el nivel 0.05, lo cual ratifica el rechazo de la hiptesis nula de no estacionariedad
t-Statistics -2.588254 -4.066981 -3.462292 -3.157475
Prob.* 0.2867
t-Statistics -9.636167 -3.508326 -2.895512 -2.584952
Prob.* 0.00000
33
Resultados de la Prueba Aumentada de Dickey-Fuller.

Anlis de estacionariedad. Datos Trimestrales Series o Variables En Level GCP IPD En Primeras Diferencias: DGCP DIPD -6.6303 * -9.6361 * 2.0344 2.0049 0 0 Si Si No No I(0) I(0) -2.21528 -2.58825 2.0858 1.9384 0 0 Si No No Si I(1) I(1) Estadstico ADF Estadstico DW Nmero de Retardos Incluye Intercepto Incluye Tendencia Orden de Integracin
Valores crticos de MacKinnon para rechazar la hiptesis de raz unitaria * Significante a cualquier nivel de significacin: 1% 5% 10%.. NOTAS:
El estadstico de Dickey Fuller (ADF o tau) es la prueba estandadard de estacionariedad Un valor positivo de ADF significa que la serie es definitivamente no estacionaria Para que se pueda rechazar la hiptesis nula en favor de estacionariedad el estadstico ADF debe ser un nmero suficientemente negativo. Ejemplos: -6.6303 y -9.6361 son nmeros suficientemente negativos 4. Rechace la hiptesis nula de no estacionariedad cuando se cumpla, en trminos absolutos, que el valor del estadstico ADF sea mayor que el valor crtico de MacKinnon al nivel de significacin seleccionado, normalmente el 5 %. 4. Un valor bajo del estadstico DW es indicativo de la necesidad de aumentar el nmero de retardos con el fin de remover la autocorrelacin en los valores de la serie.
1. 2. 3.
34
Especificar un Vector AutoRegresivo (VAR) con las series que resulten Integradas de Orden I(1).
HL Mata
35
Vector Auto Regresivo (VAR)

Los vectores autorregresivos (VARs) fueron introducidos en la economa emprica por Sims (1980), quien demostr que dichos vectores proveen un marco flexible y tratable en el anlisis de las series temporales Un VAR es un modelo lineal de n variables donde cada variable es explicada por sus propios valores rezagados, ms el valor pasado del resto de variables. Los modelos VARs se utilizan a menudo para predecir sistemas interrelacionados de series tempo rales y para analizar el impacto dinmico de las perturbaciones aleatorias sobre el sistema de las variables. Clasificacin de los modelos VAR: 1. Var de forma reducidas. Expresa cada variable como una funcin lineal de sus valores pasados, de los valores pasados de las otras variables del modelo y de los trminos errores no correlacionados Var Recursivos. La variable del lado izquierdo de la primera ecuacin depende slo de los valores rezagados de todas las variables incluidas en el VAR, en tanto la variable correspondiente de la segunda ecuacin depende de los rezagos de todas las variables del VAR y del valor contemporneo de la variable de la primera ecuacin. Asimismo, la variable del lado izquierdo de la tercera ecuacin depende de los rezagos de todas las variables y de los valores contemporneos de la primera y la segunda variables Var Estructurales. Utiliza teora econmica para ordenar la relacin contempornea entre las variables
2.
3.
36
Especificacin de un Modelo VAR

Como el punto de partida del enfoque de Johansen es el Vector Autorregresivo, vamos a especificar a continuacin un modelo para el caso de 2 variables: GCP e IPD, respectivamente y 6 retardos (recuerden que la literatura economtrica recomienda usar entre 4 a 6 retardos cuando se trabaja con series trimestrales) Expresin general del modelo VAR: Forma reducida del VAR: en donde:
X t = A1X t 1 + ... + A X t + BX t + t
T
X t = [GCP , IPD]
A1 ,..., A p y B
Xt
Es un vector (Nx1) de variables endgenas integradas de orden uno, las cuales se denotan I(1). N=2 Son matrices de coeficientes a ser estimados Nmero del retardo incluidos en el VAR. Dado que la frecuencia de los datos es trimestral se tomaron 6 retardos Es un vector de variables exgenas (constante, variables dummy, estacionales, etc). En este estudio todas las variables estn determinadas dentro del sistema Es un vector (Nx1) de trminos de errores normal e independientemente distribuido
HL Mata
37
Cmo Estimar un Modelo VAR con EViews

1. 2. 3. Seleccione las series integradas de orden I(1), es decir GCP e IPD Clic con el botn derecho del ratn y seleccionen Open - As Var En el cuadro Var Specificatin, hagan clic en la etiqueta Basic:
En tipo de Vector: seleccionen Unrestricted VAR En Estimation sample: perodo de estimacin: escriban: 1970.1 1991.4 En Endogeneous variables: GCP e IDP En Lag Intervals for Endogeneous: No. de retardos de las Var. Endgenas: 1 6. 1 6 indica 6 retardos, desde el 1 hasta el 6 (Seleccionen entre 4 a 6 retardos cuando trabajen con series trimestrales) Exogeneous Variables: C, para calcular la ordenada en el origen.
4.
Clic en OK
HL Mata
38
Resultado Parcial del VAR Estimado

Por falta de espacio solo se muestran los dos primeros retardos de cada variable y el resumen final
Los coeficientes del VAR no son fciles de interpretar. En la primera fila se indican los coeficientes estimados; en la segunda, los errores estndar y en la tercera los valores estimados del estadstico t .
39
Determinar el Retardo Optimo del VAR para Asegurar que los Residuos sean Ruido Blanco (White Noise)
HL Mata
40
Vector Auto Regresivo (VAR) Continuacin

En esta seccin se estimar el retardo ptimo. La longitud del retardo no puede ser ni muy corto ni muy largo. Si el retardo es muy corto probablemente no se capture completamente la dinmica del sistema que est siendo modelado. Por otra parte, si es demasiado largo, se corre el riesgo de perder grados de libertad y tener que estimar un nmero muy grande de parmetros. El retardo ptimo es esencial por cuanto es la base para el clculo del nmero de vectores de cointegracin Herramientas para seleccionar el retardo ptimo Estadsticos: LR Criterios: AIC SC HQ FPE Estadstico de Relacin de Probabilidad Criterio de Informacin de Akaike Criterio de Informacin de Schwarz Criterio de Informacin de Hannan Quinn Prediccin Final del Error
HL Mata
41
Estructura del Retardo

Clic en Views - Lag Structure - AR Roots Table (tabla de races autorregresivas)
Roots of Characteristic Polynomial Endogenous variables: GCP IPD
Exogenous variables: C Lag specification: 1 4 Raices Eigenvalues 0.993159 0.993159 0.898480 0.898480 -0.618491 0.618491 0.560088 0.560088 0.254369 - 0.491590i 0.553502 0.254369 + 0.491590i 0.553502 -0.186670 - 0.462774i 0.499004 -0.186670 + 0.462774i 0.499004
Races del Polinomio Caracterstico Variables endgenas; GCP e I PD Variables exgenas: C Especificacin del nmero de retardos: 4 (1 4)
Notas:
. Todos los eigenvalues son menores que 1 . Al ser menores que 1, todos caen dentro del crculo Unitario (unit circle) . Por las razones anteriores se dice que el sistema es estable y estacionario . El sistema se denomina marginalmente estable cuando al menos un eigenvalue
No root lies outside the unit circle VAR satisfies the stability condition.
sea igual a 1 El sistema es inestable cuando al menos un eigenvalue sea mayor de uno. En nuestro caso el modelo satisface la condicin de estabilidad 42
HL Mata
Estructura del Retardo. Continuacin

Clic en Views - Lag Structure - AR Roots Graph
Uno de los aspectos ms interesantes en la salida de un VAR es poder examinar la Raiz inversa del polinomio autorregresivo del VAR. Esto acta como un chequeo de la estabilidad del modelo estimado. Estas races se pueden representar en una tabla o como puntos en el crculo unitario, tal y como se ve a la derecha
Inverse Roots of AR Characteristic Polynomial 1.5
La representacin grfica de los eigenvalues muestra que todos los valores se encuentran dentro del crculo unitario y que uno de ellos se encuentra cercano al borde del crculo de la unidad. Este resultado indica que hay una tendencia comn, por lo que solo hay que esperar un vector de cointegracin
1.0 0.5 0.0 -0.5 -1.0 -1.5 -1.5
NOTAS: Partiendo del supuesto de existencia de relaciones de cointegracin, los valores propios de la matriz de acompaamiento deberan estar dentro del circulo unitario de modo que aquellos valores que se encuentran muy prximos a la unidad determinan el nmero de tendencias comunes.
-1.0
-0.5
0.0
0.5
1.0
1.5
HL Mata
43

Clic en Views Lag structure Pairwise Granger Causality Test.
Realiza una prueba de causalidad para determinar si una variable endgena puede ser tratada como una 2 variable exgena. En la tabla de resultados se muestra el estadstico de Wald para determinar la significacin (nivel crtico 5%) de cada una de las otras variables endgenas retardadas incluidas en la ecuacin. Planteamiento de hiptesis. Primer cuadro:
Ho: GCP does not Granger-cause IPD (GCP no explica a IPD) H1: GCP Granger-cause IPD (GCP explica a IPD)
Planteamiento de hiptesis. Segundo cuadro:

Ho: IPD does not Granger-cause GCP (GCP no explica a IPD) H1: IPD Granger-cause GCP (IPD explica a GCP)
Estadstico para la prueba:
.W estadistico (Chi) de Wald

Regla de decisin: Rechace a Ho si Prob es menor o igual a 0,05 No rechace a Ho si Prob es mayor que 0,05
ANALISIS: Primer bloque, no rechace a HO. Concluya que GCP no explica a IPD Segundo bloque, rechace a Ho y acepte H1. Concluya que IPD explica a GCP: (IPD GCP )
HL Mata
44

Clic en Views Lag structure Lag Exclusin Test (Prueba de exclusin
de Retardos)
Esta prueba analiza si los retardos tienen algn efecto significativo o no (en forma individual o conjunta) sobre el sistema del VAR. Las filas de la tabla reportan la contribucin de los trminos retardados en cada ecuacin
Planteamiento de hiptesis: Ho: Los coeficientes de los retardos son conjuntamente no significativos diferentes de cero H1: Los coeficientes de los retardos son conjuntamente significativos diferentes de cero Estadstico para la prueba: W estadistico (Chi) de Wald Regla de decisin: Rechace a Ho si Prob es menor o igual a 0,05 No rechace a Ho si Prob es mayor que 0,05
ANALISIS: De acuerdo con la prueba de Wald se rechaza la hiptesis nula para la primera fila de retar dos y se acepta H1: Hay contribucin significativa individual y conjunta en el VAR Los retardos 2 al 6 (se omiten desde el 3 hasta el 6) no contribuyen significativamente en el VAR, por lo tanto se excluyen
45

Clic en Views Lag structure Lag Length Criteria (Prueba de la longitud del Retardo)
Calcula varios criterios: ( LR (likelihood Ratio), FPE, AIC, SC, HQ) con el fin de seleccionar la longitud ptima del retardo que ser utilizado en la prueba de cointegracin. El mejor modelo es aquel que minimiza el Criterio de Informacin, o que maximiza el estadstico LR.
Los asteriscos indican el orden del retardo seleccionado tanto por el estadstico como por los Criterios El estadstico LR y los criterios SC y HQ indican un retardo. Los criterios FPE y AIC sealan dos retardos. El nmero de retardos en el modelo VAR se determin unitilizando el criterio de informacin de Schwarz . AIC siempre selecciona retardos superiores a SC REGLA: El nmero de retardos P depende de la frecuencia de los datos. Seleccione 3 retardios, P=3, para datos anuales; 6 u 8 retardos para datos trimestrales, P=6 P=8 y de 12 a 18 retardos, P=12 P=18, para datos mensuales HL Mata Nociones Elementales de Cointegracin Enfoque de S. Johansen
46
Diagnstico de los Residuos del VAR
HL Mata
47
Prueba de los Residuos

Clic en Views Residual Tests Correlograms
Muestra un correlograma cruzado de los residuos estimados en el VAR para un nmero determinado de retardos. Las lneas punteadas en el grfico representan ms o menos 2 veces el error estndar asinttico de las correlaciones retardadas.
Autocorrelations with 2 Std.Err. Bounds
Plantemiento de hiptesis: H 0 = Ausencia de autocorrelacin H1 = Hay autocorrelacin Estadstico para la prueba: Correlograma Estadstico Q
Cor(GCP,GCP(-i))
.3 .2 .1 .0 -.1 -.2 -.3 2 4 6 8 10 12 .3 .2 .1 .0 -.1 -.2 -.3 2
Cor(GCP,IPD(-i))
10
12
Cor(IPD,GCP(-i))
.3 .3 .2 .1 .0 -.1 -.2 -.3 2 4 6 8 10 12 2 4
Cor(IPD,IPD(-i))
Regla de decisin: Rechacen a Ho si el 5% o ms de las barras caen fuera de los intervalos de confianza No rechacen a Ho si el 95 % o mas de las barras caen dentro del intervalo de confianza
.2 .1 .0 -.1 -.2 -.3
10
12
Los Plots (grficos) no exhiben autocorrelacin significativa. Alternativamente, comparen la probabilidad asociada del estadstico Q (Box Pierce) con el nivel 0,05. Si pvalue (prob) > 0,05, acepten a Ho. Concluyan que no hay autocorrelacin HL Mata Nociones Elementales de Cointegracin Enfoque de S. Johansen
48
Prueba de los Residuos. Continuacin

Clic en Views - Residual Tests Pormanteau autocorrelation Test
Calcula el estadstico multivariado Q de Box-Pierce/Ljung-Box
Planteamiento de hiptesis: H 0 : Ausencia de autocorrelacin hasta el retardo h H a : Hay autocorrelacin hasta el retardo h Estadsticode Ljung Box para la prueba: Q LB = (n (2 + 2 )) 2 ( j) j=1 n j
h
La prueba es vlida solamente para retardos superiores al orden del retardo del VAR. df son los grados de libertad de la distribucin Chi cuadrado
Los valores de Prob, indican que los residuos son white noise despus del 6to retardo HL Mata Nociones Elementales de Cointegracin Enfoque de S. Johansen
49

Clic en Views - Residual Tests Autocorrelation LM Test
Prueba de Breusch Godfrey o Prueba del Multiplicador de Lagrange (LM) Se usa para detectar autocorrelacin de cualquier orden, especialmente en aquellos modedelos con o sin variables dependientes retardadas. Permite determinar si existe correlacin en los residuos hasta un determinado orden
Planteamiento de hiptesis: H 0 : Ausencia de autocorrelacin hasta el retardo de orden h H a : Hay autocorrelacin hasta el retardo de orden h Estadstico para la prueba: LM = T*R2 (nmero observaciones * R cuadrado) Regla de decisin: Rechace a Ho si Prob es menor o igual a 0,05 No rechace a Ho si Prob es mayor que 0,05
Alternativamente: El estadstico calculado Obs*R-Squared se compara con el valor tabular de la tabla Ch2, segn los rezagos que se seleccionen
50

Clic en Views - Residual Tests Normality Test
El estadstico JB es una prueba asinttica de normalidad para grandes muestras Una prueba de normalidad es un proceso estadstico utilizado para determinar si una muestra o cualquier grupo de datos se ajusta a una distribucin estndar normal. En nuestro caso, los residuos del modelo VAR.
Planteamiento de hiptesis:
El test de Jarque Bera analiza la relacin entre el coeficiente de apuntamiento y la curtosis de los residuos de la ecuacin estimada y los correspondientes de una distribucin norma, de forma tal que si estas relaciones son suficientemente diferentes se se rechazar la hiptesis nula de normalidad
H 0 : JBi = 0 Re siduos son normales H1 : JBi 0 Re siduos no son normales

Estadstico para la prueba:
La prueba conjunta de la derecha indica que los residuos son marginalmente normales, por cuanto el p-value, 0,054, > 0,05
51

Clic en Views - Residual Tests White heteroskedasticity (No Cross term)
Prueba de Heteroscedasticidad de White sin Trminos Cruzados Otro supuesto del modelo de regresin lineal es que todos los trminos errores tienen la misma varianza. Si este supuesto se satisface, entonces se dice que los errores del modelo son homocedsticos de lo contrario son heteroscedasticos.
Planteamiento de hiptesis:
H 0 : Re siduos hom ocedsti cos H1 : Re siduos heterocedsti cos

Estadstico para la prueba: F y Chi=N*R2 (Nmero observaciones por R cuadrado) Regla de decisin: Rechace a Ho si Prob es menor o igual a 0,05 No rechace a Ho si Prob es mayor que 0,05
CONCLUSIN: los residuos son homocedsticos. La probabilidad conjunta (Joint test) 0,805 > 0,05
HL Mata
52
CONCLUSIN:
Los anlisis anteriores: Dignostico del VAR y la Prueba de los Residuos, evidencian que la longitud ptima del VAR es de un retardo y que los residuos cumplen con los supuestos de Gauss Markov, referente a ausencia de autocorrelacion, normalidad y homoscedasticidad en los errores, caractersticas stas que nos permiten seguir adelante con la prueba de Cointegracin de Johansen Pruebas de diagnstico
Pruebas Estadsticas
A. B. C. D. Correlacin serial Forma Funcional Normalidad Heteroscedasticidad
Versin LM
CHI-CUADRADO CHI-CUADRADO CHI-CUADRADO CHI-CUADRADO
Versin F
HL Mata
53
Aplicar el procedimiento de Mxima Verosimilitud al VAR estimado con el fin de determinar el rango (r) de cointegracin del sistema
HL Mata
54
Estimacin del Sistema mediante Mxima Verosimilitud

Siguiendo con la metodologa de Johansen vamos a reformular el VAR de la diapositiva 38 en un Vector de Correccin de Errores (VEC, por sus siglas en Ingls), tal que:
X t = 1X t 1 + ... + p 1X t p + X t p + t
En donde: es el operador de primera diferencia, ejemplo: X t = X t X t 1 ;X t es el vector de variables endgenas e integradas de orden I(1): GCP e IPD; i = (I A1 ... A i ), i = 1,..., p 1 ; es una matriz (NxN) de la forma = T en donde y son matrices de Rango completo (NxN) y t es un vector (Nx1) de trminos de errores normal e independientemente distribuido Quienes son y ? la matriz recoge las r relaciones de cointegracin la matriz se interpreta como la velocidad de ajuste de cada variable para recuperar la posicin de equilibrio en el largo plazo cuando se produzcan desviaciones de dicho equilibrio En la ventana del Vector Autorregresivo (VAR): 1 Hagan clic en VIEW y seleccionen COINTEGRATION TEST
Estimar el Sistema Mediante el Mtodo de Mxima Verosimilitud
55
Prueba de Cointegracin de Johansen

Noten que aparece el cuadro de dilogo Johansen Cointegration Test La prueba requiere hacer algn supuesto relacionado con la tendencia que subyace en los datos, a saber: CE VAR
No Tendencia determinstica en los datos
No Intercepto o Tendencia Intercepto no Tendencia No Intercepto o Tendencia No Intercepto
Tendencia determinstica lineal en los datos

Intercepto no Tendencia Intercepto y Tendencia Intercepto no Tendencia No Tendencia
Tendencia determinstica cuadrtica en los datos Intercepto y Tendencia Tendencia lineal
Resumen de las 5 conjuntos de supestos En el cuadro Exog Variables, no incluyan C o Tendencia En el cuadro Lag Interval escriban el retardo ptimo encontrado, en nuestro caso: 1 1 Dado que no se tiene certeza con respecto a cual opcin usar, procedan a seleccionar la opcin 6, la cual les indicar el nmero de relaciones de cointegracin en cada una de las 5 opciones de tendencia. (NOTA: En la prctica las opciones 1 y 5 raramente se utilizan)
56
Resumen de los Supuestos.

Se ha sombreado la segunda opcin para indicar el nmero de relaciones
El cuadro resumen indica un sola ecuacin de Cointegracin tanto en la prueba de la Traza como en la del Maximun Eigenvalue (vean rea sombreada), razn por lo cual se debe seleccionar la opcin 2 (Intercept-No Trend) : Slo intercepto en la ecuacin de cointegracion (CE) y no tendencia en el VAR
57
Prueba de Cointegracin de Johansen. Continuacin

2 Hagan clic nuevamente en View y seleccionen Cointegration test En el cuadro de dilogo Johansen Cointegration Test, seleccionen la opcin 2, Intercept No Trend, la cual muestra una sola ecuacin de cointegracin, tal como se seal en la diapositiva anterior En el cuadro Exog Variables no incluyan la constante C En el cuadro Lag intervals incluyan la longitud ptima del VAR encontrado en la diapositiva 45, es decir 1: yt en yt 1 Ahora hagan clic en el botn OK
HL Mata
58
Resultado de la Estimacin
Por razones de espacio se colocan las pruebas en el lado izquierdo y el resto de la estimacin en el lado derecho del cuadro de los resultados. En la prxima seccin se analizan stos:
HL Mata
59
Pruebas de S. Johansen y Katerine Juselius (1990)
HL Mata
60
El mtodo de S. Johansen considera las siguientes pruebas para determinar el nmero de vectores de cointegracin, r: La Prueba de la Traza (Trace test) y la prueba del Mximo Valor Propio (Maximum Eigenvalue test), lado izquierdo del cuadro anterior. Hiptesis para las Prueba de la Traza y del Mximo Valor Propio: Eview plantea la Hiptesis nula (Ho) como NONE (Ninguna)
H0 : r = 0 H1 : r = 1
Reglas de Decisin:
No existen vectores de co int egracin Existe un vector de co int egracin
Rechace a Ho cuando el valor del estadstico la Traza o el Mximo Valor Propio sea mayor que el valor crtico seleccionado, normalmente el de 5 %. Acepte a Ho cuando el valor del estadstico la Traza o el Mximo Valor Propio sea menor que el valor crtico seleccionado Si hubiera un segundo vector de cointegracin las hiptesis seran tal como sigue: Eview plantea la Hipotesis nula (Ho) como AT MOST 1 (cuando ms una)
H0 : r 1 H1 : r = 2
tanto se rechace Ho
HL Mata
Cuando ms existe un vector de co int egracin Existe ms de un vector de co int egracin
Analicen secuencialmente las hiptesis nulas (NONE; AT MOST 1; AT MOST 2, etc.), hasta
61
Estimar el Nmero de Vectores de Cointegracin

El primer bloque del cuadro de los resultados muestra el estadstico de la TRAZA. La primera columna de dicho bloque muestra el nmero de relaciones de cointegracin bajo la hiptesis nula; la segunda columna muestra el rango ordenado de los eigenvalues de la matriz ; la tercera muestra el estadistico de la Traza y las dos ltimas columnas muestran los valores crticos al 5% y 1%. k Estadstico de la TRAZA para la hiptesis nula: Q r = T log(1 i )
i = r +1
Prueba de la Traza
.
CONCLUSION: De acuerdo con la prueba de la traza se rechaza la hiptesis nula de no cointegracin
en favor de una relacin de cointegracin al nivel del 5% y del 1 %. ( 30.95 > 19,96 y 24.60)
62
Estimar el Nmero de Vectores de Cointegracin

La prueba del Mximo Eigenvalue prueba la hiptesis nula de que el rango de cointegracin es igual a r=0 en contra de la hiptesis alternativa de que el rango de cointegracin es igual a r+1. Resultados de la prueba del Mximo Eigenvalue:
Prueba del Mximo Eigenvalue
CONCLUSIN La prueba de Mximun EigenValue indica la existencia de una sola ecuacin de cointegracin tanto al 5% como al 1%, respectivamente ( 22.96 es mayor que 15,67 y 20.20)
De los resultados de las pruebas de la Traza y del Mximo Eigenvalues se concluye que existe un solo vector o relacin de cointegracin.
63
Ecuacin de Cointegracin
Debajo de los resultados de la prueba de cointegracin Eviews muestra los estimados de los vectores o relaciones de cointegracin. El vector de cointegracin no est identificado, a menos que Ud. imponga alguna normalizacin arbitraria. Eviews adopta una normalizacin tal que el primer r de la serie en el vector sea normalizado como una matriz identidad Relacin de cointegracin normalizada suponiendo una relacin de cointegracin r=1 :
Los nmeros entre parntesis debajo de los coeficientes estimados son los errores estndar asintticos. Algunos coeficientes normalizados se muestran sin su correspondiente error estndar, tal es el caso del coeficiente que ha sido normalizado a 1.0 La apariencia de la relacin de cointegracin normalizada depende de la forma como se hayan ordenado las variables endgenas en el VAR. As por ejemplo, si Uds desean un coeficiente uno en la serie IPD, debern de colocar dicha serie de primero en el VAR
HL Mata
64
Cmo se normalizaron los coeficientes?

Eviews se bas en los coeficientes de cointegracin no restringidos, los cuales se muestran inmediatamente debajo de la prueba del Mximo EigenValue, para realizar la normalizacin. Dichos coeficiente se muestran nuevamente por conveniencia:
La normalizacin consiste en convertir un vector dado en otro proporcional a l con mdulo 1. Esto se obtiene dividiendo el mdulo entre l mismo. Siguiendo con lo que es tradicional en la Literatura de la Cointegracin multipliquen el vector normalizado por -1 y reordenen los trminos de tal manera que el vector se interprete como una funcin de consumo, es decir:
GCP = 550.6843 + 1.01000 * IPD

(226.864) (0.07903) Observen que la pendiente de la funcin de consumo es positiva y significativa, tal y como lo postula la Teora Econmica. Los errores estndar se muestran dentro de parntesis.
65
Modelo Vector de Correccin de Errores

(.Continuar..)
HL Mata
66
Bibliografa
HL Mata
67
Johansen, S., 1988. Statistical analysis of cointegration vectors. Journal of Economic Dynamics and Control 12, 231254. Engle, R. F. y Granger, C. W. J. Representation, Estimation and 251-276. Engle, R. F. y Granger, C. W. J. Representation, Estimation and 251-276. (1989): Cointegration and Error Correction: Testing, Econometrica, volumen 55, pginas (1989): Cointegration and Error Correction: Testing, Econometrica, volumen 55, pginas
Johansen, S., 1991. The role of the constant term in cointegration analysis of non stationary variables. University of Copenhagen, Institute of Mathematical Statistics. Gujarati, Damodar N. (1997).Econometra, Editorial McGraw-Hill Interamericana, SA , Santa Fe de Bogot, Colombia, Cap. 21, pp.693-715 Ballabriga, Fernando C. y Luis Julin lvarez Gonzlez y Javier Jareo Morago (1998) Un Modelo Macroeconmico BVAR para la economa espaola: metodologa y resultados http://www.bde.es/informes/be/sazul/azul64.pdf Hee Seok Park. (April 1999). Analysis of Structural Changes in the US Stock Market, Kansas State University http://www-personal.ksu.edu/ ~hsp3704/ wp199904.doc Banco de Guatemala. (2000) Vectores Auto Regresivos (VAR) http://www.banguat.gob.gt/inveco/notas/articulos/envolver.asp?karchivo=4401 &kdisc=si
68
Bill Hung. (October, 2000). Dickey-Fuller Unit Root Test (Stationary Test). http://www.hkbu.edu.hk/~billhung/econ3600/application/app01/app01.html Wakeford, Jeremy. Honours Econometrics: Time Series Econometrics. Econometrics Stationarity, Unit Roots and Cointegration http://www.commerce.uct.ac.za/Economics/Courses/ECO416Z/2004/Time%20Se ries.doc Asteriuo, Dimitrios. (june, 2001). Notas sobre Anlisis de Series de Tiempo: Estacionariedad, Integracin y Cointegracin (H.L. Mata, Trans.). http://www.personal.rdg.ac.uk/~/less00da/lecture3.htm. Eviews 4. Users Guide. Chapter 20. Vector Autorregression and Error Correction Models. http://www.ucm.es/info/ecocuan/mjm/ecoaplimj/Vector%20Autoregressions.pdf Clive W. J. Granger. Revista Asturiana de Economa (8 de diciembre de 2003). ANLISIS DE SERIES TEMPORALES,COINTEGRACIN Y APLICACIONES http://www.revistaasturianadeeconomia.org/raepdf/30/GRANGER.pdf Mata HL. (2004). Nociones Elementales de Cointegracin. Procedimiento de Engle-Granger. Trabajo no publicado. http://webdelprofesor.ula.ve/economa
HL Mata
69

Johansen

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Johansen

Загружено:

Авторское право:

Доступные форматы

Nociones Elementales de Cointegracin Enfoque de Soren Johansen

Nociones Elementales de Cointegracin Enfoque de S. Johansen

Borrador para discusin

Nociones Elementales de Cointegracin Enfoque de S. Johansen

Nociones Elementales de Cointegracin Enfoque de S. Johansen

Nociones Elementales de Cointegracin Enfoque de S. Johansen

Caractersticas de las Series Temporales

8.0E+06 6.0E+06 4.0E+06 2.0E+06

130000 120000 110000 100000

Nociones Elementales de Cointegracin Enfoque de S. Johansen

Enfoque de Soren Johansen

Nociones Elementales de Cointegracin Enfoque de S. Johansen

Series originales (Level: en su forma original, sin transformacin):

Series transformadas en logartmicas (o en tasas de cambio)

Procedimiento para bajar los datos desde Internet

Determinar el Orden de Integracin a cada una de las Series Incluidas en el Modelo

Nociones Elementales de Cointegracin Enfoque de S. Johansen

Nociones Elementales de Cointegracin Enfoque de S. Johansen

Valores de Probabilidad - P-values

Cmo interpretar los p-values o los valores de las probabilidades:

marginalmente significativo 0.01<p<0.01 p<0.01 fuertemente significativo

Nociones Elementales de Cointegracin Enfoque de S. Johansen

Pruebas para Identificar no Estacionariedad Pruebas Informales:

Nociones Elementales de Cointegracin Enfoque de S. Johansen

Representacin Grfica de las Series

Plot de las Series GCP e IPD

Nociones Elementales de Cointegracin Enfoque de S. Johansen

Transformar las Series en Primera Diferencia

Series y escriban: Clic en Quick - Generate Series y escriban:

Clic en Quick - Generate

Clic en View (archivo de trabajo) Graph

Nociones Elementales de Cointegracin Enfoque de S. Johansen

Representacin Grfica de las Series GCP e IPD en Primeras Diferencias

Funcin de Autocorrelacin, Correlogramas y Estadsticos de Box Pierce y Ljung Box

Nociones Elementales de Cointegracin Enfoque de S. Johansen

cov(xt , xt + k ) k k = = para todo k = 1,..., var( xt ) var(xt + k ) 0 0 0

include, seleccionen entre un 25 y un 30% del nmero de observaciones)

Clic en el botn OK. Repitan el procedimiento en Primeras Diferencias. Comparen

Correlograma de las Series GCP e IPD

Pruebas de hiptesis de Q (BP y LB)

Estadisticos de Box-Pierce (BP) y Ljung-Box (LB). Gujarati, p.701 m 2 m k 2 Q = n k2 LB = n(n + 2 ) m k =1 k =1 n k

Serie GCP. Estadsticos Box-Pierce y Ljung-Box

Serie IPD. Estadsticos Box-Pierce y Ljung-Box

Nociones Elementales de Cointegracin Enfoque de S. Johansen

Prueba de Dickey y Fuller (DF)

El parmetro de inters en las 3 regresiones es

Prueba Aumentada de Dickey y Fuller (ADF)

Pasos para la Prueba de Hiptesis

Estadsticos para la prueba

los valores crti cos de MacKinnon

Prueba de Raz Unitaria con el EViews

Acepte a Ho :| 2.215287 | > | Valores crti cos |

Re chace a Ho :| 6.630339 | =< | Valores crti cos |

Estadtico Durbin Watson: 2.085875

Estadtico Durbin Watson: 2.034425

Nociones Elementales de Cointegracin Enfoque de S. Johansen

Prueba de Raz Unitaria de la Serie GCP

t-Statistics -2.215287 -4.068290 -3.462912 -3.157836

Primera diferencia (Intercepto y 0 retardos) :

t-Statistics -6.630339 -3.508326 -2.895512 -2.584952

Prueba de Raz Unitaria de la Serie IDP

t-Statistics -2.588254 -4.066981 -3.462292 -3.157475

t-Statistics -9.636167 -3.508326 -2.895512 -2.584952

Resultados de la Prueba Aumentada de Dickey-Fuller.