Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Apuntes de Introduccion A Las Series de Tiempo
Apuntes de Introduccion A Las Series de Tiempo
INTRODUCCION A LAS
SERIES DE TIEMPO
Gua de estudio
NARCISO GUARAMATO PARRA
2009
INTRODUCCION
El presente trabajo tiene como objetivo principal, ayudar a todas aquellas
personas con conocimientos limitados de Estadstica y Economa, especialmente
a los alumnos involucrados en esta ctedra. Aportndoles una herramienta que les
proporcione un conocimiento bsico de la Econometra.
A lo largo de mi experiencia docente en la Escuela Nacional de
Administracin y Hacienda Pblica I.U.T, y en la Universidad Santa Mara, he
observado con preocupacin lo difcil y problemtico que le resulta al
estudiantado, el inicio del estudio de la Econometra.
Entre los factores que explican esta situacin, destacan la deficiencia que
traen algunos alumnos en materias imprescindibles para el estudio del tema, como
son la Estadstica y la Economa. La Econometra involucra todo un bagaje de
nuevo vocabulario que dificulta en una primera etapa su entendimiento.
Esta investigacin documental, ha aprovechado la claridad de algunos
autores para tratar algunos temas especficos y mi experiencia enseando la
materia, para lograr un texto donde se combinen los fundamentos tericos
bsicos de la Econometra con unos ejemplos prcticos, que permitan ver en una
forma sencilla sus aplicaciones, usando en varios de ellos el Software
economtrico Eviews 3.1..
Es importante sealar que este trabajo, de ninguna manera sustituye a un
libro de texto de la materia, debido a que en el mercado existen muchos de una
excelente calidad. Igualmente tampoco pretende que el alumno, mediante su
lectura, pueda prescindir de las clases presnciales.
Finalmente, quiero agradecerle a la Escuela Nacional de Administracin y
Hacienda Pblica I.U.T. por haberme invitado como profesor de la materia durante
los aos 2000 y 2001, y a la Universidad Santa Mara, lo cual me permiti ordenar
mis apuntes, fuente de este trabajo.
CONTENIDO
I INTRODUCCIN A LAS SERIES DE TIEMPO (TECNICAS CLASICAS)
1.. Caractersticas y anlisis de una serie de tiempo.
2. Tcnicas elementales de estimacin con tendencia.
3. Metodologa del filtro de HodrickPrescott.
4. Indicadores o medidas de error.
II MODELOS AR, MA, ARMA, ARIMA y FUNCION DE TRANSFERENCIA
1.
2.
3.
4.
Procesos Estocsticos.
Caminata Aleatoria,
Estacionariedad,
Races unitarias, operador diferencia y orden de integracin de una serie de
tiempo
5. Prueba de estacionariedad basada en el correlograma.
6. Prueba de raz unitaria sobre estacionariedad prueba DICKEY FULLER
(ADF).
7. Prueba de PHILLIPS-PERRON (test PP)
8. Estacionalidad.
9. Modelo Autorregresivo de orden p (AR(p)).
10. Modelo de promedio mvil de orden q (MA(q)).
11. Modelo Autorregresivo de promedio mvil (ARMA(p,q)).
12. Modelo Autorregresivo integrado de promedio mvil (ARIMA(p,d,q)).
13. Metodologa de Box-Jenkis.
14. Modelos fe funcin de transferencia.
III. MODELOS DE VECTORES AUTORREGRESIVOS (VAR)
.
IV: COINTEGRACION Y MODELO DE VECTOR DE CORRECIN DEL ERROR
(VEC)
1. Cointegracin.
2. Modelo de vector de correccin del error (VEC).
3. Test de Cointegracin de JOHANSEN:
V: MODELOS AUTORREGRESIVOS CON HETEROCEDASTICIDAD
CONDICIONAL (ARCH)
BIBLIOGRAFIA
CAPITULO I
INTRODUCCIN A LAS SERIES DE TIEMPO
TECNICAS CLASICAS
Una serie de tiempo es un conjunto de datos estadsticos, recopilados, observados
o registrados a intervalos regulares y ordenados en el tiempo. Las tcnicas de
estimacin de series tienen como objetivo primordial el control y el pronstico de
las variables con periodicidad subanual
Esta tcnicas no se basan en ninguna teora econmica, a diferencia de los
modelos economtricos, sino que parten del supuesto de que una serie de tiempo
se puede descomponer en cuatro componentes:
Tomado de: Blanco, Carlos. Convergencia de las Tcnicas de Series de Tiempo con los Mtodos
Economtricos. Mimeo. Banco Central de Venezuela,. Departamento de Apoyo Cuantitativo.
Caracas. 1997
5
SERIES DE TIEMPO
MODELOS ECONOMETRICOS
VENTAJAS
DESVENTAJAS
No recogen los
adecuadamente
puntos
Anlisis parcial
de
cambio
exigen
ms
Modelo Multiplicativo Yt Tt x Et x Ct x I t
Yt Serie temporal en estudio, f (t )
Tt Tendencia
Et Variacin estacional
Ct Variacin cclica
I t Variacin Irregular
El objetivo principal del estudio de una serie de tiempo es proporcionar buenos
pronsticos o predicciones de futuros valores de la serie a partir de valores
pasados
El mtodo clsico que se utiliza es primeramente estimar la tendencia a travs de
las medias mviles o el alisado exponencial para luego realizar la proyeccin de
tendencia ajustada por variaciones estacionales. Este mtodo se puede
esquematizar en los siguientes pasos:
Modelo aditivo: X t Tt C t Et I t
Modelo Multiplicativo: X t Tt * C t * Et * I t
Modelo Mixto: X t Tt * (1 C t ) * (1 Et ) I t
10
11
1997
102.661
82.978
89.527
94.226
96.261
94.382
105.156
90.961
98.168
102.545
94.367
129.456
1998
108.149
85.679
93.303
96.863
102.144
101.962
113.154
95.141
103.557
109.875
99.527
133.554
.
Primeramente visualizamos el grfico de la serie de tiempo, lo cual nos permite
observar la evolucin temporal de la misma.
13
Seleccionamos el mtodo de mediad mviles (Ratio to moving averageMultiplicative). Nombramos a la serie desestecionalizada como SVENTAS, aunque
Eviews nos proporciona ppor defecto un nombre, que se corresponde con el de la
14
serie original seguido de las letras SA. Al factor que calcula el programa lo
llamamos, simplemente FACTOR.
Como rersultado se muestra una pantalla en la que podemos observar los datos
del factor estacional calculado, dfonde se aprecia que se trata de valores en torno
a la unidad, siendo el valor ms alto, el correspondiente al mes que presentaba
inicialmente estacionalidad (diciembre),
z t y t y t 1 y
Si al representar graficamente una serie, z t , comprobamos que oscila alrededor
del mismo valor, entonces tendramos que se trata de la serie original sin
tendencia. Si z t crece o decrece a largo plazo, entonces an presenta tendencia y
habra que volver a diferenciar, es decir, proseguiriamos calculando ahora la
segunda diferencia:
z t z t z t 1 ( y t y t 1 ) ( y t 1 y t 2 ) y t 2 y t 1 y t 2 y t 2 y t
y, en caso necesario, seguiriamos diferenciando, teniendo en cuenta que en cada
diferenciacin perdemos una observacin. En cualquier caso, lo habitual es que
con una primera diferencia la serie ya fluctue en torno al mismo valor, es decir, ya
no presente tendencia y, como mucho, se realizara una asegunda diferencia.
Para eliminar la tendencia de la serie SVENTAS, ya corregida de estacionalidad,
selecionamos en el men QUICK / GENERATE SERIES y escribimos la operacin
a realizar, generando una nueva serie DSVENTAS a partir de las primeras
diferencias de SVENTAS.
16
17
18
19
20
La evolucin que presentan ambas serires es similar, aunque parece que la serie
SVENTAS suaviza mas las oscilaciones de los valores de las ventas del comercio
al por menor corregidas de estacionalidad. Posiblemente sea ms iloustrativo
comprobar conjuntamente los valores de los dos factores de estacionalidad que
han dado lugar a ambas series.
21
ENE
FEB
MAR
ABR
MAY
JUN
JUL
AGO
SEP
OCT
NOV
DIC
Census X11
FACTORC
104,68
85,00
92,62
93,57
98,08
97,69
107,33
92,60
99,63
104,32
95,88
128,36
22
yt 1 2t 3t 2
Si 2 y 3 son ambos positivos, yt siempre estar incrementndose, pero cada vez
ms rpido conforma pasa el tiempo. Si 2 es negativo y 3 , yt disminuirprimero
pero despus se incrementar. Si ambos son negativos , yt siempre disminuir.
Otros mtodos de estimacin, considerados como elementales, se basan en
modelos autorregresivos. Entre los mas simples se pueden sealar:
1. yt 1 yt ;
2. yt 1 yt yt yt 1
La ecuacin 1 utiliza como valor de prediccin del prximo perodo, el dato del
perodo actual. La ecuacin 2 supone la igualdad no de los valores, sino de los
incrementos. Dado la simplicidad de los modelos anteriormente descritos se debe
suponer que las estimaciones que se realicen debern tener un elevado error de
prediccin.
Una variante ligeramente ms elaborada es utilizar el valor medio de la serie, en
lugar de las ltimas observaciones
y t 1 y
Este modelo parte del supuesto que la serie carece de tendencia y la misma oscila
alrededor de la media. En este caso el valor mas probable de estimacin, es el
valor medio de la serie.
23
f x
1
yt 1 yt 2 ... yt 12
12
y t 1 y t 1 y t 2 ... y t 12
12
El modelo de promedio mvil es til si se cree que un valor probable para el
prximo perodo es el valor promedio de la serie durante los ltimos 12 meses.
El modelo de promedio mvil tiene la virtud de proporcionar una base para
suavizar series de tiempo. Por ejemplo una de las formas ms simples de suavizar
una serie es tomar un promedio movil de n perodos:
y t 1 y t 1 y t 2 ... y t n
n
Mientras mayor sea n mas suave ser la curva
Ejemplo:
OBS
Yt
PM3
PM4
PM5
PM6
1
4
2
5
3
6
5,0
4
8
6,3
5,8
5 10
8,0
7,3
6,6
6 13
10,3
9,3
8,4
7,7
7 15
12,7
11,5
10,4
9,5
8
8
12,0
11,5
10,8 10,0
9 10
11,0
11,5
11,2 10,7
10
6
8,0
9,8
10,4 10,3
11 14
10,0
9,5
10,6 11,0
12 18
12,7
12,0
11,2 11,8
PM3 = promedio movil ltimos tres perodos
PM4 = promedio movil ltimos cuatro perodos
PM5 = promedio movil ltimos cinco perodos
PM6 = promedio movil ltimos seis perodos
24
20
15
10
5
0
1
10
11
12
OBSERVACIONES
Yt
PM3
PM4
PM5
PM6
El alisado exponencial puede considerarse como aquel obtenido por una media
mvil con ponderaciones decreciente en forma de progresin geomtrica:
M y t (1 ) y t 1 (1 ) 2 y t 2 ...
donde el coeficiente podr tomar valores entre 0 y 1. La suma de los
coeficientes siempre ser la unidad, ya que:
(1 ) s
s 0
1 (1 )
o en su forma ms resumida:
y t 1 y t 1 y t
ya que, por sustituciones sucesivas, legaramos a la frmula anterior. Por tanto, la
prediccin de alisado pueda interpretarse como una media ponderada de los
valores previos anteriores, reales y de prediccin.
25
Es importante tener en cuenta que para que la serie con alisado exponencial incluya las
predicciones, antes de realizar el mismo hay que modificar el rango de la serie (range) para que
incluya el periodo a proyectar.
26
27
28
ENE
FEB
MAR
SVENTASM
103,8316
103,8316
103,8316
PROYECCION
VENTAS
110,093
89,513
96,584
residuo cclico estacionario. De esta manera es posible utilizar el filtro para estimar
la tendencia estocstica de una serie, si existen evidencias de que no la describe
correctamente una tendencia determinstica
De acuerdo con este mtodo es preciso encontrar la serie Y*t (tendencia) que
minimice :
t 1
( Yt - Yt* )2 +
( Yt - Yt* )2
t 2
Bello, Omar D. Y Alexander Ruiz. El filtro de Hodrick y Prescott y el anlisis de corto plazo.
Banco Central de Venezuela. 2005. mimeo.
30
prediccines futuras; que tan bien un modelo se ha ajustado a los datos histricos
disponibles es de poco o ningun valor. Las preguntas que ms frecuentemente se
hacen son:
1. qu precisin adicional se puede lograr enuna situacin dada mediante
el uso de una tcnica formal de prediccin? (Qu tan inexacto sern
loss pronsticos si se basan en un enfoque muy simple o ingenuo ms
que una tcnica estadsticamente mas refinada?).
2. Para una situacin dada, Qu tanto mejoramiento se puede obtener en
la exactitud de la spredicciones?(Qu tan cerca se puede llegar a logro
de los pronsticos perfectos?).
3. Si se comprende la oportunidad para lograr una mayor exactitud. En
una situacin dada, cmo puede ayudar tal conocimiento para
seleccionar la tcnica de prediccin ms apropiada?.
A continuacin se presentan algunos indicadores que miden la fiabilidad de las
predicciones, en alguna medida todos ellos tratan de medir cuan alejado estn los
valores proyectados de los valores reles o observados, por ende mientras menor
sean estos indicadores, mayor ser la confiabilidad de los pronsticos realizados.
Sean X t = Valor observado real para el perodo t
Ft = Pronstico para el perodo
et X t Ft Trmino de error.
a. Error medio
n
ME
t 1
MSE
2
t
t 1
MAD
t 1
32
d. Error porcentual
PEt
X t Ft *100
Xt
MAPEt
PE
T 1
MAPEt
PE
T 1
33
CAPITULO II
MODELOS AR, MA, ARMA, ARIMA y FUNCION DE
TRANSFERENCIA
Segn Jos Otero 7, una serie de tiempo o serie cronolgica, es una sucesin de
valores observados de una variable referidos a momentos o a periodos de tiempo
diferentes, generalmente regulares. La caracterstica distintiva entre una serie de
tiempo , en contraposicin a las observaciones de corte transversal, es que los
datos aparecen ordenados cronolgicamente.
Una serie de tiempo est conformada por las siguientes partes 8:
1.PROCESOS ESTOCASTICOS
Un proceso estocstico X t , para t = 1,2,3,..., se define como una coleccin de
variables aleatorias, X t , ordenadas de acuerdo con el parmetro discreto , que en
2. CAMINATA ALEATORIA
El ejemplo mas simple de una serie de tiempo estocstica es el proceso de
caminata aleatoria o Random Walk 10. En el proceso ms simple de caminata
aleatoria cada cambio sucesivo en y t es extrado en forma independiente de una
distribucin de probabilidad con media 0. Por tanto, y t est determinado por:
y t y t 1 t
con E t 0 , E t 2 y E t s 0 para t s. Dicho proceso puede ser
representado por los lanzamientos sucesivos de una moneda, donde una cara
recibe un valor de +1 y una cruz recibe un valor de 1.
2
y t 1 E y t 1 / y t ,..., y1 y t E t 1 y t
3. ESTACIONARIEDAD
Cuando se comienza a desarrollar modelos para series de tiempo, se desea saber
si es posible suponer que el proceso estocstico subyacente que gener la series
es invariable con respecto al tiempo. Si las caractersticas del proceso estocstico
cambian con el tiempo; es decir, si el proceso no es estacionario, en general ser
difcil representar la serie de tiempo durante intervalos de tiempo pasados y
futuros con un modelo algebraico simple. Por el contrario, si el proceso estocstico
est fijo en el tiempo; es decir, si es estacionario, entonces podemos modelar el
proceso a travs de una ecuacin con coeficientes fijos que pueden estimarse a
partir de datos pasados.
10
11
Grfico N 2
12
El ejemplo es tomado de Pulido, Antonio y Ana Mara Lpez. Ob.Cit. y el mismo consiste en una
serie de tiempo que abarca el periodo 1980-1998, con periodicidad mensual de un indicador de
renta salarial real para la economa espaola.
36
NO ESTACIONARIA
Muy pocas series econmicas de tiempo son estacionarias. Los motivos de la falta
de estacionariedad suelen ser:
a) Se presenta una tendencia.
b) La varianza no es una constante.
c) Hay variaciones estacionales.
La presencia de variaciones estacionales se traduce en una variabilidad de la
media del proceso, lo que es contrario a la hiptesis de estacionariedad.
Afortunadamente, es posible transformar muchas series econmicas de tiempo en
otras estacionarias, sometindolas a operaciones algebraicas.
37
X t X t j
obtenemos la siguiente
X t X t 1 at BX t
X t BX t at
1 B X t at
B X t at donde B 1 B
1 B 0 1 B
1
(la raz est fuera del circulo unitario)
-1
-1
1 1
El caso de mayor inters es cuando , esto es, cuando existe raz unitaria, y se
puede probar que cuando esto ocurre, la varianza de Xt no es finita, en otras
38
NO ESTACIONARIEDAD
EXISTENCIA DE
RAICES
UNITARIAS
CRECIMIENTO EXPLOSIVO
SI
X t X t 1 at
X t X t 1 at = caminata aleatoria
proceso integrado
no estacionario
Saber que existen races unitarias provee de la transformacin necesaria para
superar el problema de la no estacionariedad. Considerando nuevamente una
representacin autorregresiva para Xt, si existe raz unitaria se tiene que:
X t X t 1 at :
X t X t 1 at
denotando X t X t X t 1 y sustituyendo en la ecuacin anterior, resulta:
X t at
La primera diferencia de Xt es estacionaria, de forma que la no estacionariedad se
supera diferenciando la serie tantas veces como races unitarias posea.
En general, diremos que una serie Xt es integrable de orden d, si debe ser
diferenciada d veces para alcanzar estacionariedad y se denota:
Xt ~ I(d)
39
k cov arianza.al.rezago.k
0
var ianza
correlograma
en
Eviews,
seleccionamos
40
Grfico N 4
13
Yt Yt 1 Yt 1 Yt 1 u t
Yt 1Yt 1 u t
Yt Yt 1 u t
donde 1 y se el operador de primera diferencia Yt Tt 1 . Si se
cumple la hiptesis nula de 0 el modelo se puede escribir de la siguiente
forma: Yt u t , lo cual nos indica que la primera diferencia de una serie de tiempo
de caminata aleatoria es una serie de tiempo estacionaria porque por supuestos,
u t es puramente aleatoria.
Lo anterior supone que una serie de tiempo no estacionaria, se puede convertir en
estacionaria diferencindola. Ahora bien, si una serie de tiempo ha sido
diferenciada una vez y la serie diferenciada resulta estacionaria, se dice que la
serie original (caminata aleatoria) es integrada de orden 1, y se denota por I(1). En
forma similar, si la serie original debe ser diferenciada dos veces (es decir, debe
tomarse la primera diferencia de la primera diferencia) para hacerla estacionaria,
se dice que la serie original es integrada de orden dos, o I(2). En general, si una
serie de tiempo debe ser diferenciada d veces, esta se dice que esta es integrada
de orden d, o I(d). En su gran mayora las series de tiempo econmicas son
integrada de orden uno, o I(1).
Para saber si una serie es estacionaria o no, se debe determinar si es
estadsticamente igual a uno H 0 : 1 , o si es estadsticamente igual a cero
H : 0 . Lamentablemente, los estadsticos t que se obtengan no siguen una
14
A. Dickey y W.A. Fuller. Distribution of the Estimators for Autoregressive Time Series with a Unit
Root. Journal of the American Statistical Association. Vol. 4 1979.
42
Posteriormente, las tablas con los valores crticos, fueron ampliadas por
Mackinnon.
Por razones tericas y prcticas, la prueba de Dickey-Fuller se aplica a
regresiones efectuadas en las siguientes formas:
Yt Yt 1 u t
Yt 1 Yt 1 u t
Yt 1 2 t Yt 1 u t
Donde t es la variable tiempo o tendencia. En cada caso, la hiptesis nula es que
0 , es decir que hay una raz unitaria, o lo que es lo mismo, la variable
estocstica no es estacionaria.
Si el trmino de error u t est correlacionado, se modifica la ecuacin
Yt 1 2 t Yt 1 u t de la siguiente forma:
m
Yt 1 2 t Yt 1 1 Yt i u t
i 1
43
45
Para que sea ruido blanco, los residuales no deben estar autocorrelecionados. En
el correlograma se puede observar que los primeros 6 coeficientes de correlacin
no son significativos, con lo cual podramos interpretar que el trmino de
perturbacin u t es un ruido blanco, por lo tanto la prueba del Dickey-Fuller es
vlida En el caso de que no fuera un ruido blanco, se realiza una nueva prueba de
Dickey-Fuller aumentada, incluyendo rezagos de la variable en diferencias.
EJERCICIO N 1
A continuacin se presenta un cuadro con el tipo de cambio promedio para
Venezuela para el perodo 1996-2002. Se pide determinar si la serie es
estacionaria o no.
CUADRO N 1
VENEZUELA - TIPO DE CAMBIO PROMEDIO
(millones de US$)
ENERO
FEBRERO
MARZO
ABRIL
MAYO
JUNIO
JULIO
AGOSTO
SEPTIEMBRE
OCTUBRE
NOVIEMBRE
DICIEMBRE
1996
1997
1998
1999
2000
2001
290,00
290,00
290,00
360,47
468,89
471,25
470,75
474,20
476,12
470,01
471,57
474,73
476,84
474,40
478,40
479,25
483,27
485,63
491,25
495,90
496,79
498,62
499,93
502,80
507,29
514,64
520,90
530,08
537,05
542,00
557,39
570,19
584,42
571,25
569,25
566,19
568,84
577,10
579,40
587,29
595,63
602,13
610,56
615,22
624,48
630,19
634,15
643,35
652,15
658,51
666,12
672,01
679,53
680,55
685,21
688,89
690,08
692,46
695,31
698,34
699,70
702,58
705,52
709,64
714,39
716,69
722,00
730,82
742,94
743,07
744,73
751,91
FUENTE: B.C.V.
46
2002
761,55
884,21
947,22
876,54
965,48
1196,74
1328,98
1373,93
1457,20
1452,32
1366,60
1320,67
48
GRAFICO N 7
CORRELOGRAMA DE
LOS RESIDUOS
49
Yt Yt 1 t
Mientras que la prueba ADF corrige la correlacin serial de orden elevado
aadiendo ms retardos del trmino diferenciado de la serie original en el lado
derecho de la ecuacin, el test PP realiza una correccin del estadstico t sobre el
coeficiente en la regresin AR(1) para considerar la correlacin serial en el trmino
.
La distribucin asinttica del estadstico t del test PP es la misma que la del
estadstico t de la prueba ADF y se contrastan los resultados del test con los
valores crticos de Mackinnon. Igual que en la prueba ADF tenemos que
especificar si incluimos una constante, constante mas trmino de tendencia o nada
en la regresin, para el test PP adems hay que especificar el numero de perodos
de correlacin serial a incluir.
15
8. ESTACIONALIDAD
La estacionalidad 16 es un comportamiento cclico que se apoya en un calendario
comn. Un ejemplo de una serie de tiempo muy estacional sera la venta de
juguetes, la cual exhibe un punto mximo en la temporada de navidad.
A menudo los puntos mximos o mnimos estacionales pueden identificarse
fcilmente mediante la observacin directa de la serie, pero en el caso en que la
serie de tiempo flucta en forma considerable, stos no pueden distinguirse de las
otras fluctuaciones. La identificacin de la estacional es importante, debido a que
proporciona informacin acerca de la regularidad en la serie que puede ayudarnos
a hacer un mejor pronstico.
A travs de la funcin de correlacin podemos identificar la posible estacionalidad
de la serie. Si una serie de tiempo mensual presenta estacionalidad anual, los
datos individuales en la serie mostraran algn grado de correlacin con los datos
individuales correspondientes que se rezagan por 12 meses.
52
Yt t 1 t 1 2 t 2 3 t 3 ... q t q t ruido.blanco
Se puede decir que un MA(q) es sencillamente una combinacin lineal de
trminos de error de ruido blanco.
con un modelo de promedio mvil de orden q, se pretende recoger la parte
puramente aleatoria de la serie de tiempo al igual que en los modelos
autorregresivos, los ordenes suelen ser pequeos.
Un modelo de promedio mvil de orden q se caracteriza por una funcin de
autocorrelacin que se anula a partir de q-esimo rezago y una funcin de
correlacin parcial con decaimiento exponencial o suave hacia cero.
En los modelos de promedio mvil la estacionalidad se trata a travs de los
modelos MAR(s)
53
MAR(s) : Yt t t s
S = 4 para datos trimestrales
S =12 para datos mensuales
Yt 1Yt 1 t 1 t 1
y en el caso mas general, un modelo ARMA(p,q) correspondera a la expresin:
d Yt 1 d Yt 1 ... p d Yt p t 1 t 1 ... q t q
en la que se ha eliminado el trmino independiente, el cual frecuentemente es nulo
al trabajar con series en diferencias.
Otra forma de expresar el modelo es utilizando el operador de retardo B, el cual
aplicado al valor de una variable, desfasa esta en un perodo:
BYt Yt 1
y aplicado en forma sucesivamente j veces, desfasa en j perodos:
B j Yt Yt j
Utilizando el operador de retardo, el modelo Arima puede expresarse de la
siguiente forma:
1 B ...
B p d Yt q B t
ejemplo de modelo ARIMA(1,1,1) 18
( B)1 1Yt 1 B t
1 1 B 1 B Yt
(1 1 B) t
(Yt Yt 1 ) 1 Yt Yt 2 t 1 t 1
18
B p 1 B yt 1 1 B ... q B q t
k
ACF
k
ACF
kk
kk
kk
PACF
PACF
PACF
Pulido San Roman, Antonio y Julin Prez Garca. Modelos Economtricos. Ediciones Pirmide
S.A.. Madrid. 2001. P.648
56
En forma mas detallada, las etapas para construir un modelo ARIMA son 20:
1. Recopilacin de los datos: Para aplicar esta tcnica se necesita un mnimo
de 20 datos o observaciones para series no estacionales y al menos 30-40
para series estacionales. Sin embargo, es conveniente de 50 o mas datos y
para el caso, muy frecuente, de series mensuales, es frecuente trabajar
entre seis y diez aos completos de informacin.
2. Representacin grfica de la serie: Para decidir sobre la estacionalidad de
la serie es de gran utilidad disponer de un grfico de la misma.
3. Transformacin previa de la serie: La transformacin logartmica es
necesaria en caso de heterocedasticidad. Sin embargo, es una
transformacin muy frecuente, incluso en series con dispersin
relativamente constantes en el tiempo. Una posibilidad prctica es ensayar
siempre con la serie original y en logaritmos y comparar resultados.
4. Estacionalidad: La observacin del grfico de la serie, conjuntamente con el
correlograma y la prueba de Dickey Fuller, nos indicar la estacionariedad
o no del modelo, Igualmente nos indicar si hay que aplicar diferencias o
no de la variable. Como se coment anteriormente, la mayora de las
variables econmicas son I(1), lo cual obliga a diferenciar una sola vez a la
variable, d=1.
Ibd. P.285
57
21
EJERCICIO N 2
A continuacin se presenta una serie de tiempo para los precios reales de la
cesta petrolera venezolana para el periodo enero 1980 mayo 2001 22.
1980
1981
1982 1983
1984
1985
1986
1987
1988
1989 1990
1991
33,12 36,80 30,85 26,63 26,74 25,02 21,98 14,69 12,08 12,74 14,69 15,43
32,79 36,89 29,58 26,51 26,15 24,74 16,18 13,81 11,35 12,06 13,19 11,98
32,21 35,23 27,64 24,84 25,62 25,26 12,33 14,43 10,70 12,99 12,30 12,52
29,51 33,88 27,64 24,07 25,75 24,48 11,17 14,37 12,19 15,65 11,44 10,96
30,13 33,61 28,63 25,15 25,89 24,25 10,96 15,08 12,48 15,17 11,50 11,57
31,23 31,71 28,75 24,62 25,98 25,03 10,60 14,22 12,32 13,81 11,18 10,79
31,77 30,21 28,34 25,13 25,59 23,88
8,97 15,88 12,30 12,74 11,56 10,96
31,45 30,65 27,92 25,61 25,57 22,90 10,07 15,25 11,67 11,91 18,28 11,54
30,83 30,70 27,78 26,11 25,75 23,50 10,89 14,23 11,37 13,48 21,17 10,16
31,88 30,76 28,44 25,74 25,60 23,80 10,10 14,58 10,08 13,18 20,76 13,34
33,18 30,75 28,51 26,30 25,11 23,51 11,07 14,41 10,40 13,31 19,75 12,05
34,25 31,19 28,15 25,35 24,70 23,10 11,03 11,59 10,46 15,92 17,32 11,59
ENERO
FEBRERO
MARZO
ABRIL
MAYO
JUNIO
JULIO
AGOSTO
SEPTIEMBRE
OCTUBRE
NOVIEMBRE
DICIEMBRE
1992
1993
1994 1995
1996
1997
1998
1999
2000
2001
9,12 10,13
7,77
9,43
9,84 13,56
8,63
5,61 13,99 13,24
9,05 10,15
8,13
9,34 10,26 11,99
7,52
5,12 15,20 12,78
8,70 10,52
7,78
9,72 11,33 10,99
7,05
6,67 15,48 11,47
10,50 10,40
8,81 11,04 11,96 10,20
7,42
8,24 12,86 12,60
11,06 10,36
9,16 10,98 11,44 10,59
7,06
8,30 14,82 13,06
11,78
9,23 10,24
9,76 10,09
9,73
5,96
8,58 16,18
11,51
8,38
9,78
9,17 10,98
9,72
6,08 10,20 15,21
11,39
5,71
9,52
9,46 11,20 10,04
6,06 10,69 15,93
12,00
9,56
8,32
9,38 12,53 10,80
7,03 12,10 17,27
11,50
9,46
8,66
8,39 13,61 10,24
6,70 12,04 16,90
10,99
8,37
9,29
9,30 12,60 10,12
5,77 13,37 17,00
9,81
6,26
9,14 10,89 13,33
9,31
4,90 13,53 13,33
Solucin:
22
En el grfico se observa que la serie no tiene una media constante al mostrar una
clara tendencia negativa, lo cual indica la no estacionariedad de la serie en
niveles.
60
61
62
63
.
El test de Phillips-Perron reafirma los resultados del test de Dickey-Fuller
Como se mencion anteriormente la serie LPRECIOS no es estacionaria en
niveles, por lo que es necesario trabajar con la serie en primera diferencia
( PRECIOS PRECIOS t PRECIOS t 1 ). Ahora es necesario analizar las funciones
de Autocorrelacin y Autocorrelacin parcial de DLPRECIOS con el propsito de
construir el modelo ARIMA que mejor explique su comportamiento. Para
determinar el orden ptimo de p y q se utilizar la aproximacin de Box-Jenkis,
es decir, se estudiar la Funcin de Autocorrelacin, (cuyo estudio permite
encontrar el nivel de q ptimo) y la Funcin de Autocorrelacin Parcial (que
permite encontrar el nivel de p optimo), A continuacin se muestra el
correlograma
64
65
23
un modelo MA(q) es invertible si la races del polinomio B estn fuera del circuito unitario,
esto es, si es raz de B debe cumplirse que , 1 lo que equivale que su raz invertida
1
sea menor que 1,
1 1
2)
67
24
68
Como se puede observar ninguno de los coeficientes de los rezagos de los residuales
son significativos lo que indica la no autocorrelacin del modelo, por lo que se puede
afirmar que los residuales son ruido blanco.
Finalmente realizamos una estimacin con el modelo ARIMA (2,1,2) de los valores de
la serie para comprobar la calidad del ajuste. Para tal fin sealamos FORECAST en el
men secundario de Eviews, y seleccionamos la estimacin esttica.
69
70
pulsando dos veces el botn derecho del ratn de la computadora sobre el rango, y
posteriormente en el sample, en la pantalla, aparecer los siguientes cuadros, donde
se definir los nuevos parmetros.
71
72
EJERCICIO N 3
A continuacin se presenta datos para el indicador de valor de la industria
manufacturera 25privada para el perodo enero 1992 mayo 2001
CUADRO N 2
INDUSTRIA MANUFACTURERA PRIVADA
NDICE DE VALOR DE LA PRODUCCIN
(BASE 1997=100)
1992
1993
1994
1995
1996
1997
9,14
11,70
14,95
26,22
43,56
74,84 105,42
FEBRERO
10,83
13,59
17,29
30,06
52,26
M ARZO
11,66
16,01
19,47
37,48
62,94
ABRIL
10,86
12,66
19,36
30,92
59,08
M AYO
12,10
14,43
22,11
40,30
72,53
JUNIO
12,63
13,80
22,55
39,79
71,69
JULIO
12,48
14,70
20,76
37,55
AGOSTO
12,50
16,19
23,63
42,51
SEPTIEM BRE
12,84
17,14
24,45
40,61
OCTUBRE
13,28
16,80
25,45
39,73
NOVIEM BRE
13,76
18,01
28,88
44,78
DICIEM BRE
11,10
14,75
24,59
37,05
ENERO
25
1998
1999
2000
2001
Ejercicio tomado de: Benzaquen S. Moises y Manuel Delgado. Evaluacin del Comportamiento
Actual y Modelizacin del Comportamiento Futuro del Sector Manufacturero Privado Venezolano a
Travs del Indice Valor perodo( 1992-2000. Trabajo Especial de Grado para optar al Ttulo de
Economista (01-08-N). Universidad Santa Mara. Caracas. 2001
73
GRAFICO N 9
ESTUDIO DE LA VARIABLE
EN NIVELES
GRAFICO N 10
74
75
Grfico N 12
CORRELOGRAMA DE LA VARIABLE
EN PRIMERA DIFERENCIA
76
77
Grfico N 13
CORRELOGRAMA DE LOS RESIDUOS
2 B 212 B 12 IVAL 97 t B 12 B a t
Cuadro N 3
78
0,87 2 0,27 2
-
La raz invertida del modelo de promedios mviles es menor que uno 0,83 1
79
Grfico N 15
PROYECCIN DEL NDICEDE VALOR DE LA
80
INDUSTRIA MANUFACTURERA A
TRAVS DEL MODELO ARIMA
(Millones de Bolvares)
Grfico N 16
CORRELOGRAMA RESIDUOS MODELO ARIMA
81
Desarrollando:
(1 1,07 B 0,36 B 2 )(1 0,35 B 12 ) DLIVAL97 0,14 D967 0,15 D974 0,25 D975 (1 0,83B)a
82
AO
MES
IVAL97
2001
2001
2001
junio
julio
agosto
169,84
162,96
180,49
Yt 0 X t 1 X t 1 2 X t 2 ... k X t k u t
donde
u t 1u t 1 ... p u t p t 1 t 1 ... q t q
26
83
u t 0,530094u t 12 t 0,989948 t 1
27
84
CAPITULO III
MODELO DE VECTORES AUTORREGRESIVOS (VAR)
Los modelos de vectores autorregresivos 28
(VAR) fueron originalmente
propuestos como alternativa a la modelizacin economtrica convencional. El objetivo
fundamental de la propuesta era proporcionar una estrategia de modelizacin
alternativa a los modelos economtricos convencionales. Esta nueva modelizacin
evitara las imposiciones derivadas de la estimacin e identificacin de un modelo
economtrico, y permitira especificar modelos que reflejaran lo ms fielmente posible
las regularidades empricas 29 e interacciones entre las variables objetos de anlisis.
En forma aproximada, podramos considerar los modelos VAR como un hbrido entre
los modelos AR, pues en su modelizacin interviene la variable endgena retardada,
las funciones de transferencia y los modelos de ecuaciones simultaneas, dado que se
incorporan variables explicativas que a su vez son endgenas de otra ecuacin. Por lo
que, en definitiva, no especificamos un modelo uniecuacional, como los modelos
ARMA, sino, que, al menos, se especifican dos ecuaciones.
El enfoque VAR soluciona la necesidad de la especificacin estructural de los modelos
mediante la modelizacin de cada variable endgena en el sistema de ecuaciones
como funcin de los valores retardados de todas las variables endgenas del sistema.
La expresin matemtica de un modelo VAR es:
y t 1 y t 1 2 y t 2 ... p y t p xt t
donde yt es un vector de g variables endgenas, xt es un vector de k variables
explicativas, 1 ..., p y son matrices de coeficientes a estimar, y t es un vector de
innovaciones que puede estar correlacionado contemporneamente con los dems,
pero nunca correlacionado con las variables ubicadas a la derecha de la ecuacin.
Dado que en la parte derecha de cada ecuacin slo aparecen valores retardados de
las variables endgenas, no hay problema de simulteanidad 30, y el mtodo de
estimacin del modelo puede ser el de mnimos cuadrados ordinarios. La cuestin
28
Captulo tomado de: Pulido, Antonio y Ana Mara Lpez. Ob.Cit. p375
Los modelos VAR centra su inters en la capacidad predictiva del modelo, sacrificando la base terica
del mismo.
30
La Simulteanidad o interdependencia es un problema que sucede en los sistemas de ecuaciones
simultaneas cuando existe relaciones de causalidad de doble sentido entre las ecuaciones del modelo.
Es decir yi y j , indicando por la flecha de doble direccin el sentido de causalidad de yi a y j , y
29
correlacionadas, la
interpretacin es sencilla, pues 1,t sera la innovacin para EXGS y 2,t , la innovacin
para IMGS. La funcin de impulso-respuesta
31
variacin en los errores sobre los valores actuales y futuro de las importaciones y el
valor futuro de las exportaciones.
86
EJERCICIO N 4
A continuacin se estimar un modelo VAR 33 de dos ecuaciones en el que el tipo de
inters y el ndice de precios al consumo estn determinados conjuntamente.
Especficamente, las variables IPC (ndice de precios al consumidor) y TIC (tipo de
inters) estn determinadas por los valores retardados de IPC y TIC, donde se han
elegido, para empezar dos retardos para cada variable, y por errores denominados e1 y
e2
IPCt 0 1 IPCt 1 2 IPCt 2 3TIC t 1 4TICT 2 e1
32
33
87
En la aplicacin se han obtenido como resultado las siguientes salidas del programa,
operando en primer lugar con el ndice de precios (IPC) como variable dependiente; y
en segundo lugar, con la variable tipo de inters (TIC) como dependiente
88
Cada columna de esta tabla corrersponde a la ecuacin para cada una de las
variables endgenas en el modelo VAR. Por filas, tenemos las variables explicativas,
para las que se indica el valor de su coeficiente estimado, el error standar y el clculo
de t-Student. Por ejemplo, el coeficiente que acompaa a la variable IPC(-1) en la
ecuacin del IPC como variable endgena (primera columna) tiene un valor estimado
de 1,027 con un error estandar de 0,067, resultando entonces un valor significativo
para la prueba t (15,2).
Al final de esta tabla se muestran los resultados de la regresin para cada ecuacin
por separado:
89
Una funcin de impulso respuesta muestra el efecto de un cambio en los errores sobre
las variables endgenas del sistema de ecuaciones. Eviews nos muestra nuestro
90
se obtiene
91
92
93
94
95
96
Es importante rceordar que como paso previo a la estiamacin hay que cambiar el
tamao del Range y del Sample para que incluyan el perodo a estimar.
97
34
Eviews le agrega automticamente la letra F al final del nombre de cada variable para tener
separados las serie original de la serie estimada.
98
CAPITULO IV
MODELOS DE VECTOR DE CORRECCION DEL ERROR (VEC)
Y COINTEGRACION
Los modelos de correccin de errores 35 han ganado popularidad en el anlisis
economtrico aplicado a series de tiempo en los ltimos aos. En su forma ms
general estos modelos se plantean en trminos de las variaciones (o tasas de cambio)
de las variables, incorporando uno o ms trminos de correccin de error (o salidas de
equilibrio) para incorporar restricciones dinmicas de largo plazo.
La preocupacin de este tipo de modelos tiene su origen en la constatacin de algunos
problemas de ocurrencia frecuente en econometra con datos de series temporales,
as como con la insuficiencia de algunas de las soluciones tradicionales.
La raz del problema radica en que la gran mayora de las series de datos econmicos
muestran tendencias bastante fuertes en el tiempo y, ya sea a causa de la inflacin o
el crecimiento real de la economa, dichas tendencias estn fuertemente
correlacionadas. En estas circunstancias se aprecia que muchos estudios
economtricos adolecen de serias limitaciones a causa de la colinealidad de las series
para las variables supuestamente independientes y, al mismo tiempo, se observa la
ocurrencia muy frecuente de problemas de autocorrelacin residual. Todo esto
redunda en estimaciones muy imprecisas y test de hiptesis muy dbiles o
francamente inapropiadas 36.
Estos malos resultados no son de extraar, dado que no hacen ms que confirmar
algo que un estadstico habra advertido desde un comienzo ante la falta de control del
proceso generador de los datos (experimentos), los datos para distintas variables no
slo no son independientes entre s, sino que adems no corresponden a un proceso
estacionario 37 (muestran fuertes tendencias). En estas circunstancias, es altamente
probable que los errores de las regresiones no sean estacionarios, lo que se refleja en
bajos valores del estadstico de Durbin-Watson, as como en rechazos de la hiptesis
de homocedasticidad 38. Como es bien sabido, si los residuos de una regresin no son
estacionarios, todas las pruebas estadsticas tradicionales pierden validez.
Enfrentados a este problema, muchos econometristas han optado por transformar sus
modelos, expresando las variables en primeras diferencias o en tasa de cambio, con el
35
99
Yt 0 1 YT 1 0 X t 1 X t 1 Yt 1 X t 1 u t
donde E u 0 y el trmino Yt 1 X t 1 se denomina trmino de correccin del
error
Si bien en sus orgenes este tipo de modelos se desarrollo en forma ad-hoc, sin
precisar las condiciones bajo las cuales este enfoque tiene validez, ni eventuales
pruebas de dicha hiptesis, hoy da si se cuenta con un marco formal apropiado
gracias a los desarrollos tericos en el campo de la teora de las series de tiempo y, en
particular, del desarrollo del concepto de cointegracin (Granger y Newbold, 1977;
Granger 1986; Engle y Granger, 1987).
La premisa fundamental para la validez de un modelo de correccin de errores es que
efectivamente la relacin de equilibrio X t 0 exista y se vea reflejada en los datos.
Una condicin suficiente para ello es que las variables en el vector Xt sean cointegradas (Granger, 1986).
1. COINTEGRACION
100
Supongamos que tenemos una serie de observaciones para una variable Xt . Si dicha
serie es estacionaria; es decir, si su media, varianza y autocorrelaciones son
constantes, entonces se dice que Xt es integrada de orden 0, X t I (0) .
Slo unas pocas variables econmicas cumplen con estas caractersticas,
generalmente requieren d diferenciaciones para llegar a una serie estacionaria. La
mayora de las series macroeconmicas son integradas de orden 1. X t I (1) .
Algunas caractersticas distintivas de estas series son las siguientes: Una serie I(0)
tiene una media y exhibir una tendencia a volver a dicha media, por lo que habrn
fluctuaciones en torno a ella. Las autocorrelaciones tienden a declinar rpido y el peso
de observaciones distantes ser muy bajo (memoria finita).
Caractersticas
Media
Varianza
Autocorrelascin
Efectos de innovaciones
Supongamos que existen dos series YT y X t ambas I(1). Supongamos tambin que
existe una constante , la combinacin lineal de estas dos variables podra ser
estacionaria. Ms especficamente, si se escribe como:
Z t Yt X t
y se encuentra que Zt (es decir la combinacin lineal Yt X t ) es I(0) o estacionaria,
entonces se dice que las variables Yt y X t estn cointegradas es decir, estn sobre
la misma longitud de onda 39. Intuitivamente se observa que cuando Zt es I(0), las
tendencias en Yt y X t se cancelan. As si una serie Y es I(1) y otra serie X es I(1),
ellas pueden estar cointegradas. En general, si Y es I(d) y X tambin es I(d) , donde d
39
101
Yt 0 1 Yt 1 0 X t 1 X t 1 u t
donde u t tiene media cero dadas X t , Yt 1 , X t 1 y rezagos adicionales.
Si Yt y Xt estn cointegradas con parmetro , tenemos variables adicionales I(0) que
se pueden incluir en la ecuacin anterior. Sea S t Yt X t de modo que S t es I(0) y
por simplicidad, tiene media cero. Ahora, incluimos en la ecuacin los rezagos de S t .
En el caso ms simple incluimos un rezago de S t :
Yt 0 1Yt 1 0 X t 1X t 1 S t 1 ut
40
102
Yt 0 1Yt 1 0 X t 1X t 1 Yt 1 X t 1 ut
donde (Yt X t ) es el trmino de correccin del error.
3. TEST DE COINTEGRACION DE JOHANSEN41
Johansen (1991) desarroll una metodologa para analizar las restricciones impuestas
por la cointegracin de las series incluidas en un modelo VAR restringido.
El planteamiento terico de la propuesta de Johansen considera un modelo VAR de
orden p:
Yt AYT 1 ... A p YT P BX t t
donde Yt es un vector de k variables no estacionarias I(1), Xt es un vector de d
variables determinsticas, y t es un vector de innovaciones.
En forma condensada podemos reescribir el modelo VAR como:
p 1
Yt Yt 1 i Yt i BX t T
i 1
donde
p
Ai I
i A j
i 1
j i 1
tiene un orden reducido r < k, entonces existen k*r matrices y de orden r tal que
P y Yt es estacionaria, donde r es el nmero de relaciones de cointegracin (el
orden de cointegracin). Cada columna de es el vector de cointegracin. Los
elementos de son conocidos como los coeficientes de ajuste en el modelo del
vector de correccin del error. El mtodo de Johansen estima la matriz en forma
restringida, de modo que analiza si se pueden rechazar las restricciones implcitas por
el orden reducido de .
103
mtodo de anlisis de series temporales, cmo, por ejemplo, los modelos VAR sin
restricciones, puede aplicarse a las primeras diferencias de los datos.
Dado que hay k elementos integrados separados en las series, los niveles de las
series no aparecen en el modelo VAR en este caso. Por el contrario, si hay una
ecuacin de cointegracin en el sistema, entonces una combinacin lineal de los
niveles de las variables endgenas Yt 1 deber ser aadida en cada ecuacin del
modelo VAR. Cuando se multiplica una ecuacin por un coeficiente, el trmino
resultante Yt 1 se refiere al trmino de correccin del error. Si existen ecuaciones
adicionales de cointegracin, cada una conllevar un trmino adicional de correccin
del error, que contenga una combinacin lineal diferente de los niveles de la serie.
Si existen, exactamente, k relaciones de cointegracin, es decir, tantas como variables
endgenas, es por que ninguna de las series contiene una raz unitaria, y el modelo
VAR puede expresarse en trminos de los niveles de todas las series. Ntese que en
algunos casos, el test individual de races unitarias puede indicar que algunas de las
series estn integradas ( tienen raz unitaria), pero el test de Johansen puede, sin
embargo, indicar que el orden de cointegracin es k. Esta aparente contradiccin
puede ser el resultado del error de especificacin del modelo.
Por otra parte, cada columna de la matriz proporciona una estimacin del vector de
cointegracin. El vector de cointegracin no se identifica a menos que se imponga
alguna normalizacin arbitraria. Por ejemplo Eviews adopta la normalizacin de que
las r relaciones de cointegracin se resuelven para los primeras r variables en el vector
Yt como funcin del resto de variables k-r. Sin embargo, una consecuencia de esta
normalizacin es que los vectores normalizados que proporciona Eviews no son, en
general, ortogonales, a pesar de la ortoganilidad de los coeficientes normalizados.
Por tanto, el test de cointegracin de Johansen nos permitir confirmar que las
variables estn cointegradas y el nmero de ecuaciones de cointegracin. Para
acceder a el, abrimos un grupo de series con SHOW y el nombre de las series, y
seleccionamos VIEW / COINTEGRACION TEST, o bien, en el men principal QUICK /
GROUP STATISTICS / COINTEGRACION TEST
104
El primer paso es seleccionar una de las opciones que especifican el tipo de tendencia
presente en los datos. Las primeras opciones proporcionan alternativas particulares
acerca de la inclusin de una constante y un trmino de tendencia en la especificacin
de las ecuaciones de cointegracin. Hay que considerar, pues, que las series objeto
de estudio pueden tener medias distintas de cero, es decir, pueden tener tendencia o
105
H 2 r H 1* r H 1 r H * r H r
Para cada caso, Eviews tabula los valores crticos para el test de orden reducido de
Osterwal-Lenum (1992), no los tabulados en Johansen y Juelius (1990).De estas cinco
106
opciones descritas Eviews utiliza, por defecto, la tercera. Esta seleccin se basa en
que las condiciones de equilibrio a largo plazo probablemente no tengan tendencia.
Para elegir el modelo ms apropiado habr que guiarse tanto por la interpretacin
econmica implcita en el mismo como por los criterios estadsticos.
Adicionalmente, podemos incluir variables exgenas, como, por ejemplo, Dummys
estacionales,, sin considerar aqu ni el trmino independiente, ni la tendencia..
Tambin hay que indicar el nmero de retardos del modelo VAR como pares de
intervalos. Los retardos se especifican como retardos de la primera diferencias de las
series, no como retardos para los datos en niveles. Por ejemplo, si sealamos 1,4, el
test VAR hace la regresin de Yt sobre Yt 1 , Yt 2 , Yt 3 , Yt 4 y sobre otras variables
exgenas que especifiquemos,
107
Qr T
log1
i r 1
EJERCICIO N 5
Para aplicar el anlisis de cointegracin 42 se han tomado dos series de frecuencia
mensual, con un horizonte temporal desde 1980 (enero) hasta 1998 (noviembre). Las
series en cuestin son la oferta monetaria (M1) y los crditos internos concedidos a las
42
Ejercicio tomado de: Pulido, Antonio y Ana Mara Lpez. Ob.Cit. p.395
108
109
110
Para el test ADF, el valor que presenta (1,525537 en CRED y -0,822899 en M1) se
acepta la hiptesis nula de una raz unitaria en las series CRED y M1 en todos los
niveles de significacin.
Para modelizar conjuntamente el efecto de estas dos series utilizamos un modelo
VEC (vector de correccin del error), pues ya sabemos que un modelo VAR sin
restriccin no supone la presencia de cointegracin. Como la especificacin de un
modelo VEC solamente se aplica sobre series cointegradas, debemos previamente
chequear el test de cointegracin de Johansen. Para acceder a el , abrimos un grupo
se series con SHOW de las series CRED y M1 y seleccionamos VIEW /
COINTEGRATION TEST o bien, en el men principal, QUICK / GROUP ESTATISTICS
/ CONTEGRATION TEST.
En la seleccin de las opciones, optamos por dejar el tipo de tendencia que tiene
Eviews por defecto (la tercera), no colocamos variables exgenas y especificamos 4
retardos para el modelo VAR.,
111
112
Una vez comprobada que las series estn cointegradas de orden 1, podemos estimar
un modelo de correccin del error. Seleccionamos en el men principal de Eviews:
QUICK / ESTIMATE VAR. En la ventana de opciones marcamos Vector Error
Correction, las variables endgenas (CRED y M1), con retardos comprendido entre 1 y
4. Tambin hay que especificar el nmero de ecuaciones de cointegracin del modelo
VEC. Este nmero debe ser determinado por el test de cointegracin de Johansen,
como se vio anteriormente. El mximo nmero de ecuaciones de cointegracin es uno
menos que el nmero de variables endgenas en el modelo VAR. Para el modelos que
estamos planteando, el nmero de ecuaciones de cointegracin es 1, y as lo
especificamos en la parte inferior de esta ventana (Number of CEs):
113
114
En la primera ecuacin (la que define como variable dependiente CRED) se alcanza
una bondad de ajuste del 65,66%, siendo inferior (46,66%) en la ecuacin que explica
la oferta monetaria (M1). En la parte inferior de esta salida de resultados, aparecen los
estadsticos del modelo VEC en su conjunto, que se utilizan para elegir entre modelos
VEC alternativos. As podramos repetir el proceso especificando ahora un modelo
VEC con retardos de 1 a 2 y comparar los resultados hasta seleccionar aquel que
parezca apropiado.
Una vez especificado el modelo VEC, podemos trabajar con l en forma anloga a un
modelo VAR, aunque en este caso no disponemos de las funciones de impulsorespuesta, ni del anlisis de descomposicin de varianza. Para ver las ecuaciones que
constituyen nuestro modelo VEC, seleccionamos en el men de la ventana del modelo
las opciones VIEW / REPRESENTATION:
115
Al igual que en el modelo VAR, podemos realizar predicciones con el modelo VEC
estimado. Para ello, dentro del men de la ventana del modelo VEC seleccionamos
PROCS / MAKE MODEL, y aparece la siguiente ventana en la que pulsamos SOLVE
116
117
CAPITULO V
MODELOS AUTORREGRESIVOS CON HETEROCEDASTICIDAD
CONDICIONAL (ARCH)
Los modelos autorregresivos con heterocedasticidad condicional (ARCH) se disean
especficamente para modelizar y predecir las varianzas condicionales, es decir, tienen
como objetivo principal el determinar un patrn de comportamiento estadstico para la
varianza. EL planteamiento bsico reside en modelizar la varianza de una variable
dependiente en funcin de los valores pasados de la propia variable y de las variables
independientes o exgenas que se incluyan en el modelo.
Este tipo de modelos fueron tratados por primera vez en un artculo publicado en 1982
por Robert Engle 43 en el que recoga una serie de situaciones en las que pareca
necesaria la consideracin explcita de una varianza dinmica para analizar
correctamente la evolucin de algunos fenmenos econmicos. Especficamente
Engle pretenda obtener una prediccin adecuada para la inflacin del Reino Unido,
sujeta a una fuerte volatilidad, con periodos de especial calma o, por el contrario, de
agitacin. Aunque su uso se ha extendido a diversas ramas de la econometra, la
principal aplicacin de estos modelos se encuentra en la serie de tiempo financieras.
En el artculo en referencia Engle cita tres situaciones que motivan o justifican la
Modelizacin de una modelo ARCH. Estas seran las siguientes.
1. La experiencia emprica nos lleva a contrastar perodos de amplia varianza
de error seguidos de otros de varianza ms pequea. Es decir, el valor de la
dispersin del error respecto a su media cambia en el pasado, por lo que es
lgico pensar que un modelo que atienda en la prediccin a los valores de
dicha varianza en el pasado servir para realizar estimaciones ms precisas.
2. En segundo lugar, Engle expone la validez de estos modelos para
determinar los criterios de mantenimiento o venta de activos financieros. Los
agentes econmicos deciden esta cuestin en funcin de la informacin
proveniente del pasado respecto al valor medio de su rentabilidad y la
volatilidad que sta ha tenido. Con los modelos ARCH se tendran en cuenta
estos dos condicionantes.
3. El modelo de regresin ARCH puede ser una aproximacin a un sistema
ms complejo en el que no haya factores de innovacin con heterocedaticida
condicional.
Engle, R.F. (1982): Autorregresive Conditional Heterocedasticity with Estimastes of the Variance of
the U.K. Inflation. Econometrica. Num 50, pp. 987 1008.
118
E Fd (n)
1
(1 2 3 4 5 6) 3,5
6
Pulido San Roman, Antonio y Julin Prez Garca. Modelos Economtricos. Ediciones Pirmide
S.A.. Madrid. 2001. P 741
119
Valor
Ocurrencia
% ocurrencia
Probabilidad esperada
1
157
0,157
0,167
2
230
0,230
0,167
3
150
0,150
0,167
4
155
0,155
0,167
5
156
0,156
0,167
6
152
0,152
0,167
A la vista de esta muestra parece demostrarse que el valor 2 tiene una probabilidad de
ocurrencia superior a la que le correspondera de acuerdo con la distribucin uniforme
supuesta a priori, por lo que se podra inferir que el dado est cargado.
y t t ( y t21 )1 / 2
120
Marginal
Esperanza E y t E t ( y t21 )1 / 2
E ( ) E ( y )
2
1/ 2
t 1
Varianza
Condicional
E ( y t |t 1 ) E ( t |t 1 ) ( y t21 )1 / 2 0
E y (1)...
t2
E ( y t2 |t 1 ) y t21 E t2 |t 1
E ( y t2 ) E t2 y t21
y
2
t 1
2
t
2
1 t
Yt 1 2 X 2t 3 X 3t t
(2.1)
donde se relaciona una variable dependiente con dos variables explicativas. Luego
escribiremos una segunda ecuacin relacionando la varianza del trmino de error con
la cantidad de volatilidad observada en perodos anteriores, la ms simple de estas
ecuaciones sera:
t2 0 1 t21 (2.2)
La ecuacin (2.2) dice que la varianza de t , t2 , tiene dos componentes: una
constante y las noticias respecto a la volatilidad del ltimo perodo, lo cual es
121
modelado como el residual al cuadrado del ltimo perodo (el trmino ARCH).
Obsrvese que en este modelo t es heterocedstico, condicional en t 1 . Tomando
en cuenta esta informacin acerca de la heterocedasticidad condicional de t , se
pueden obtener estimaciones ms eficientes de los parmetros 1 , 2 y 3 .
La estimacin de las ecuaciones 2.1 y 2.2 con frecuencia se hace con mxima
verosimilitud. Dado el bajo costo del poder de clculo, esto no es muy difcil. Por
consiguiente, los paquetes de programas de econometra para computadoras mas
usados hacen posible estimar modelos ARCH de esta clase con mucha facilidad.
Dado que la varianza de t en la ecuacin 2.2 slo depende de la volatilidad del ltimo
perodo, nos referimos a este modelo como ARCH(1). De forma ms general, la
varianza podra depender de cualquier cantidad de volatilidades rezagadas. Podemos
especificar un modelo ARCH(p), como:
t2 0 1 t21 1 t21
Ahora la varianza del trmino de error tiene tres componentes, una constante, la
volatilidad del ltimo perodo (el trmino ARCH) y la varianza del ltimo perodo (el
trmino GARCH). En general, se puede tener cualquier nmero de trmino ARCH y
cualquier nmero de trminos GARCH. El modelo GARCH(p,q) se refiere a la
siguiente ecuacin para t2 :
122
45
123
En primer lugar se realizar la regresin de la tasa del bono AAA contra valores
actuales y rezagados de la tasa de tesorera (R3), valores actuales y rezagados del
ndice de produccin industrial (IP), la tasa de crecimiento del ndice de precios al
productor para todas las mercancas (GPW) y el valor rezagado de la tasa del bono
AAA. (la inclusin de la variable dependiente rezagada impone una estructura de
rezago que declina geomtricamente, esta estructura suaviza las fluctuaciones a corto
plazo en las otras variables explicativas.) Despus de algunos ensayos se eligi la
siguiente ecuacin, estimada con mnimos cuadrados ordinarios. valores actuales y
rezagados del
124
Para estimar un modelo tipo ARCH, o alguna de sus variantes metodolgicas con
Eviews, se comienza por contrastar la posible existencia de heterocedasticidad
condicional, mediante la observacin del correlograma de los residuos al cuadrado.
Para tal fin seleccionamos en el men VIEW/ RESIDUAL TEST / CORELOGRAM
SQUARED RESIDUAL, como se muestra en la figura.
125
126
Este test ARCH LM proporciona el test del multiplicador de Lagrange para chequear si
los residuos estandarizados muestran un proceso ARCH adicional, que no existir si la
ecuacin de varianza est correctamente especificada.
En la salida del test se comprueba que las variables son significativas
estadsticamente, es decir, el contraste es claramente significativo de la relacin
cuadrtica entre el residuo y sus valores retardados. Parece entonces, conveniente
construir un modelo ARCH para identificar correctamente el proceso de formacin de
la varianza del trmino de error. Al tratarse de un modelo no lineal, el mtodo de
estimacin no puede ser el tradicional de mnimos cuadrados ordinarios.
Para realizar la estimacin seleccionamos en el men:
EQUATION.
127
QUICK / ESTIMATE
128
procesos, se inicio la estimacin con un retardo, tanto para el ARCH como para el
GARCH
Como se puede observar en la imagen anterior, se puede optar por una especificacin
general (GARCH) o por alguna de las variantes metodolgicas alternativas (TARCH,
EGARCH, Component ARCH, o Asymetric Component ARCH)
Adicionalmente se puede incluir variables explicativas adicionales sobre la ecuacin de
la varianza condicional (Variante Regressors).
Inicialmente se estimar un modelo GARCH(1,1)
129
La salida de la estimacin del modelo ARCH est dividida en dos partes: la superior
que muestra los resultados de la ecuacin de la media, e inmediatamente debajo, en
la parte denominada Variante Equation, la correspondiente a la ecuacin de la
varianza.
Al observar la salida del Eviews, se puede determinar que el incluir esta
representacin GARCH de la varianza del error tuvo muy poco impacto en cualquiera
de las estimaciones de los coeficientes. Adems, slo uno de los coeficientes en la
ecuacin GARCH es estadsticamente significativo. Es importante tambin destacar
que el error estndar de la regresin se increment, al pasar de 0,001835 a 0,001841.
Esta variacin en el error estndar se explica por el hecho de que al estimar una
ecuacin con errores heterocedsticos con mnimos cuadrados ordinarios, loe errores
estndar estimados sern sesgados.
A continuacin se estimaron diferentes combinaciones del modelo GARCH:
GARCH(2,1), GARCH(2,2), etc. Concluyndose que el modelo que mejor se ajustaba
es el modelo GARH(1,1) a pesar de las limitaciones antes indicadas.
130
46
131
BIBLIOGRAFIA
132
133
135