Clase anterior

Cómo modelar la relación dinámica de las series de tiempo?

 Relación dinámica:
Es el impacto que el cambio de una variable tiene en otra variable o en ella misma en
uno o más periodos de tiempo futuro.

 Modelo de rezagos distribuidos: el cambio en una variable xt toma varios periodos

en tener el efecto completo. (ejemplo, inflación hoy depende de la tasa de interés
actual y las pasadas)
𝑦𝑡 = 𝑓(𝑥𝑡 , 𝑥𝑡−1, 𝑥𝑡−2 …)

 Modelo autoregresivo y de rezagos distribuidos: variable dependiente rezagada

como variable explicativa (yt-1) y rezagos de variables explicativas (xt-1, xt-2…).
(Ejemplo: la inflación de hoy tiende a seguir la inflación de ayer)

𝑦𝑡 = 𝑓(𝑦𝑡−1 , 𝑥𝑡 ),
𝑦𝑡 = 𝑓(𝑦𝑡−1 , 𝑥𝑡 , 𝑥𝑡−1 , 𝑥𝑡−2 …)

 Modelo de errores serialmente correlacionado o modelo autocorrelacionado:

modela el impacto dinámico por medio del término de error, et, el cuál afecta
valores futuros de y, yt+1, yt+2 (ejemplo: un impacto en et puede tener efectos
sucesivos , un ataque terrorista afecta el precio de petróleo)
𝑒𝑡 = 𝑔(𝑒𝑡−1 ),
𝑒𝑡+1 = 𝑔(𝑒𝑡 )
 Clase anterior
• Se valora la autocorrelación en variables
observables para definir el modelo
autorregresivo

• Se valora autocorrelación en el error para

verificar si se viola el supuesto 5 de mínimos
cuadrados
– Autocorrelación muestral de los rezagos
– Correlograma
– Test de Lagrange
• The correlations between a variable and its
lags are called autocorrelations.

En el ejemplo,
𝜌1 , autocorrelación poblacional de orden uno
(de un periodo a otro consecutivo)

𝑣𝑎𝑟 𝐺𝑡 = 𝑣𝑎𝑟 𝐺𝑡−1 , propiedad de series de

tiempo estacionarias

autocorrelación muestral de primer orden

para 𝐺𝑡 , lo obtenemos utilizando la cov y la var
muestrales

autocorrelación muestral de orden K

Cómo probamos si las autocorrelaciones son
diferentes de cero?

Correolograma o función de autocorrelación muestral es la secuencia de

autocorrelaciones 𝑟1 , 𝑟2 , 𝑟3 …

Rechazamos 𝑟1 y 𝑟2

+2/ 98 = 0.202

−2/ 98 = 0.202
• Multiplicadores de Lagrange (4 formas)
• Correlación en rezagos de mayor orden
 Estimation With Serially Correlated
Errors
• We have described hypothesis tests for checking
whether the least squares assumption c𝑜𝑣 𝑒𝑖 , 𝑒𝑗 ≠
0 is violated

• What are the implications of serially correlated errors

for least squares estimation?

• And how do we overcome the negative

consequences of serially correlated errors?
• Three estimation procedures are considered:

1. Least squares estimation

2. Modelo AR(1) –autorregresivo de orden 1- An estimation procedure

that is relevant when the errors are assumed to follow what is known
as a first-order autoregressive model 𝑒𝑡 = 𝜌𝑒𝑡−1 + 𝑣𝑡

• 3. Autoregressive distributed lag (ARDL). It is a general estimation

strategy for estimating models with serially correlated errors. It is
designed to capture dynamics from all sources—lagged x’s, lagged
y’s, and serially correlated errors.
Supuestos

Los supuestos 3, 4 y 5 para et se mantienen para vt en es te caso de

la estimación con errores serialmente correlacionados
• Supuesto extra
• En modelos con la variable dependiente rezagada

• El supuesto 2 no se mantiene: x y y son variables estacionarias, con

et independiente de los valores actuales, futuros y pasados de x (es
decir, de las variables regresoras)

• En el contexto de la ecuación con yt-1, yt es el valor futuro de yt-1 y

vt depende de yt, entonces este supuesto se viola. Tendríamos un
estimador insesgados de MCO

• Se reemplaza por el supuesto más débil: no correlación entre vt y

los valores corrientes y pasados de las variables en el lado derecho
de la regresión (quitamos la restricción sobre correlación con
valores futuros)
Estimación MCO