MODELOS DE REGIMENES CAMBIANTES ESTOCSTICOS

Markov switching regimes

Comportamiento dinmico de las variables dependen del estado de la economa

Modelos TAR y STAR: varios regmenes en funcin del valor de una variable de estado que es observable los
regmenes que han tenido lugar en el pasado y el presente se conocen
Otra posibilidad: la variable estado no es observable, est determinada por un proceso estocstico no observable
subyacente no se sabe con certeza qu rgimen ha tenido lugar en cada momento del tiempo; se asignan
probabilidades a cada estado posible.

Tcnicas de Prediccin

Universidad de Murcia - 2004-2005

1
A.Beyaert

Ejemplo:
2 regmenes para la tasa de crecimiento del PIB: auge y recesin
rgimen en t no observable, determinado por proceso no observable, denotado st , con st = 1 2 .

0,1 + 1,1 yt 1 + t si st = 1
Si yt AR(1) en cada rgimen (generalizable): yt =
0, 2 + 1, 2 yt 1 + t si st = 2

yt = 0,s + 1,s yt 1 + t
t

Supuesto ms popular sobre st (Hamilton[1989]): proceso de Markov de primer orden (modelos

Markov-Switching)
rgimen actual st slo depende de st 1
modelo se completa con probabilidades de transicin de un estado a otro:

p( st = 1 st 1 = 1) = p11

p( st = 2 st 1 = 1) = p12
p( st = 1 st 1 = 2) = p21
p( st = 2 st 1 = 2) = p22

Tcnicas de Prediccin

Universidad de Murcia - 2004-2005

2
A.Beyaert

Pero

p11 + p12 = p 21 + p 22 = 1

slo estimar 2 probabilidades.

Probabilidades no condicionadas:

Tcnicas de Prediccin

P(s t = 1) =

1 p 22
2 p11 p 22

P(s t = 2) =

1 p11
2 p11 p 22

Universidad de Murcia - 2004-2005

3
A.Beyaert

 tarea:
especificar el modelo (orden del AR)
estimar los parmetros (coeficientes y probabilidades)
validar
predecir

Tcnicas de Prediccin

Universidad de Murcia - 2004-2005

4
A.Beyaert

1) ESTIMACIN:

Parmetros:

= (0 ,1 , 0 , 2 , 1,1 , 1, 2 , 2 )
=
p i , j i, j = 1,2 con pij = 1 p ii

Otra informacin de inters:

en qu rgimen se encontr / encuentra / encontrar la economa en fecha t, dado la informacin disponible en fecha

P(s t = j / Y ; )
> t

inferencia
con = t
< t prediccin

Tcnicas de Prediccin

Universidad de Murcia - 2004-2005

donde

Y = [y1, y2 ,L, y ]

5
A.Beyaert

Sea

Si

t /

P(s t = 1 / Y ; )
=

P(s t = 2 / Y ; )

conocido:

Se demuestra que:

t / t

es funcin de

t / t 1 y de

1 p 22
p
t +1 / t = P. t / t con P = 11
p 22
1 p11
Consecuencia:
1) posible algoritmo de clculo de las probabilidades de estado para

a) escoger valor inicial para

1 / 0

conocido:

(por ejemplo usar probabilidades incondicionales)

1 / 1
2 /1
con ello, calcular

b) con ello, calcular

c)

Tcnicas de Prediccin

Universidad de Murcia - 2004-2005

6
A.Beyaert

d) con ello, calcular

2 / 2

e) etc....

2) "smoothed probabilities":

t / N , donde N=tamao muestral y t N

Indica probabilidad de estar en cierto estado en t, dada toda la informacin muestral
Se pueden calcular recursivamente a partir de las

Tcnicas de Prediccin

t / t

t +1 / t

Universidad de Murcia - 2004-2005

7
A.Beyaert

Abandonemos ahora el supuesto " conocido":

Por Mxima Verosimilitud, bajo Normalidad de los errores:
N

pij =

P(s
t =2

= j, s t 1 = i / YN ; )

P(s
t =2

t 1

= i / YN ; )

usa los

t / N

(1)

N
N
j = x t ( j) x t ( j)' x t ( j) y t ( j)
t =1
t =1

y t ( j) = y t P(s t = j / YN ; )

)
con x t ( j) = x t P (s t = j / YN ;

con x t = ( y t 1 ,L, y t p )

1 N 2
2
= ( y t ' j x t ) 2 P(s t = j / YN ; )
N t =1 j=1

Tcnicas de Prediccin

(2)

usa los

t / N

usa los

t / N

(3)

Universidad de Murcia - 2004-2005

8
A.Beyaert

Consecuencia:
Todas las estimaciones estn interrelacionadas recurrir a algoritmo de optimizacin:
1) escoger valores iniciales para
2) calcular los vectores

t , N

3) calcular nuevos valores para

p ij usando (1)

y 2 usando frmulas (2) y (3)

, llevar a cabo una nueva iteracin, hasta convergencia
con estos nuevos valores de

4) calcular nuevo valor de

5)

Tcnicas de Prediccin

Universidad de Murcia - 2004-2005

9
A.Beyaert

2) CONTRASTE DE LINEALIDAD

s =1 = s =2 )
(e.d. s =1 s =2 )

H0 : AR(p) lineal (e.d.

HA : AR(p)-MS

- Idea de partida: test LR

LRMS = l MS l AR
donde

l MS , l AR

= log funcin de verosimilitud del modelo MS y del modelo AR, respectivamente.

- Problema y solucin (Hansen[1992]):

LR MS

sigue distribucin desconocida, no estndar bajo la nula (ya que probabilidades de transicin no identificadas bajo la
nula) => obtener el valor crtico por simulacin

Tcnicas de Prediccin

Universidad de Murcia - 2004-2005

10
A.Beyaert

3) VALIDACIN, Hamilton(1996)

Elemento bsico: "score"

h t ( ) =

Idea de partida:

log f ( y t / Yt ; )

log f ( y t / Yt ; )

=
=> h t 1 (0 ) no debe contener ninguna informacin til para h t (0 )

Si modelo bien especificado, se demuestra que imposible predecir el valor de

la informacin disponible en (t-1)

h t (0 ) =

con la
0

los "scores" no deben presentar correlacin serial

se pueden hacer contrastes de correlacin serial sobre los "scores" respecto de cada uno de los parmetros del modelo,
valorndolos en

Adems:
Test de no correlacin de los scores respecto de los trminos constantes test de no autocorrelacin de los residuos
Test de no correlacin de los scores respecto de las varianzas test de efecto ARCH.
Test de no correlacin de los scores respecto de las probabilidades de transicin pii , i=1,2 test de validez del
proceso de Markov de orden 1.
Ver Hamilton(1996) y literatura posterior para ms detalles.
Tcnicas de Prediccin

Universidad de Murcia - 2004-2005

11
A.Beyaert

4) PREDICCIN:

a) Prediccin de la probabilidad de estado en (T+m), m>0:

P(s = 1 / YT , )
T+m / T = T+m

P(s T+m = 2 / YT , )
= P T+m1/ T
= P P T+m2 / T = P 2 T+m2 / T
M
= P m T / T

Tcnicas de Prediccin

Universidad de Murcia - 2004-2005

12
A.Beyaert

b) Prediccin de yT+1
yT+1 seguir modelo del estado 1 con probabilidad de que el estado sea 1 en (T+1) y seguir modelo del estado 2 con
probabilidad de que el estado sea 2 en (T+1)

y T (1) = y T (1) s

T +1 =1

+ y T (1) s

= y T (1) s

T +1 = 2

T +1 =1

= y T (m) s

Tcnicas de Prediccin

P(s T+1 = 1 / YT ; )
P(s T+1 = 2 / YT ; )
, y T (1) s

T +1 =1

T +1 = 2

, y T ( m) s

P(s T+1 = 1 / YT ; )

P(s T+1 = 2 / YT ; )

T +1 = 2

] P

T/T

Universidad de Murcia - 2004-2005

13
A.Beyaert

5) DURACIN ESPERADA DE LOS ESTADOS:

Sea Dj = duracin del estado j

1 p 22
p11
Matriz de transicin P =
p 22
1 p11

Sus elementos diagonales indican la probabilidad de quedar durante 2 perodos sucesivos en el mismo estado
contienen informacin til para estimar duracin de los estados.

D j = 1 si s t = j , s t +1 j P(D j = 1) = 1 p jj = p ji

D j = 2 si s t = s t +1 = j , s t + 2 j P(D j = 2) = p jj (1 p jj )
D j = 3 si s t = s t +1 = s t + 2 = j , s t + 3 j P(D j = 2) = p 2 jj (1 p jj ) , etc

E(D j ) = iP( D j = i)
i =1

= (1 p jj ) + 2p jj (1 p jj ) + 3p 2 jj (1 p jj ) + ...
=

1
1 p jj

Tcnicas de Prediccin

Universidad de Murcia - 2004-2005

14
A.Beyaert