Documentos de Académico
Documentos de Profesional
Documentos de Cultura
102
103
Lecturas de Economa, 61 (julio), pp. 101-119. Universidad de Antioquia -Lecturas de Economa, 2004.
-Introduccin. -I. Modelos TAR. -II. Aplicacin del modelo TAR al PIB de Espaa.
-Conclusiones. -Anexos. -Bibliografa.
Primera versin recibida en octubre de 2003; versin final aceptada en diciembre de 2005 (eds.)
Introduccin
104
105
p
y t = 0( j ) + i( j ) y t i + t( j ) , si r j 1 y t d < r j
(1)
i =1
{ }
entonces, sta no ser de utilidad, ya que los i son distintos en cada rgimen
definido. Por otra parte, si las observaciones se ordenan de menor a mayor, de
acuerdo con el valor de su variable umbral, puede considerarse la autorregresin
y (t d )+ d = 0 + 1 y (t d )+ d 1 + 2 y (t d )+ d 2 + ... + p y (t d )+ d p + (t d )+ d
(3)
e(t d )+ d = w0 + wv y (t d )+ d v + (t d )+ d
v =1
et
t p +1
t = b +1
t =b +1
F ( p, d ) = n d h +1
t =b +1
106
2
t
(n d b p h )
(4)
107
donde los et son los residuales de cada autorregresin tipificada y los t son
aquellos que se obtienen de las regresiones de los residuales de cada autorregresin
tipificada sobre los regresores y t 1 , y t 2 ,..., y t p . Para elegir la variable umbral
y (t d ) , se considera el F ms significativo, que es el F tal que:
F ( p, d ) = max{F ( p, v )}
vS
(1) y + t(1)
y t = (12 ) t 1
(2)
1 y t 1 + t
si
y t d r1
si
y t d > r1
1 la estimacin recursiva de un
donde 1(1) y 1(2 ) son diferentes. Sea
1 se comporcoeficiente AR(1) en la autorregresin tipificada, los estadsticos T de
tan exactamente como los de un modelo lineal antes de que la recursin investigue
1 cambia y la razn T
el valor umbral r1. Una vez se encuentra r1, el estimador
empieza a desviarse. En ese momento, el patrn de convergencia gradual de la
razn T se daa. De hecho, la razn T cambia de direccin en el valor umbral. Para
1 empieza a cambiar cuando y (t d ) encuentra a r1.
el modelo TAR dado,
Paso 4: Redefinir el orden AR en cada rgimen usando tcnicas de autorregresin
lineal.
II. Aplicacin del modelo TAR al PIB de Espaa
Como aplicacin de los modelos no lineales, en particular de los modelos TAR,
se consider el comportamiento dinmico del crecimiento trimestral del PIB
espaol de 1970 a 1998. En pocas de recesin, la variable crecimiento del PIB es
ms aguda que en pocas de expansin; esto justifica la aplicacin de modelos no
lineales, los cuales ayudan a captar tal caracterstica y permiten hacer una
interpretacin econmica ms adecuada para esta variable.
12000
11000
Log PIB
10000
9000
8000
7000
6000
5000
4000
Ene-70
108
Feb-74
Mar-78
Abr-82
Jun-86
Jul-90
Ago-94
Oct-98
109
Grfico 2. Primera diferencia del logaritmo natural del PIB
0,03
0,025
DL PIB
0,02
0,015
0,01
0,005
0
-0,005
-0,01
Abr-70 May-74 Jun-78 Ago-82 Sep-86 Oct-90 Dic-94
yt
Estadstico t
3,513935
12,41830
-3,577078
0,683384
2,778000
-3,885088
2,328903
Probabilidad
0,0007
0,0000
0,0005
0,4959
0,0065
0,0002
0,0218
4
96,3828
5
42,6726
6
0,8469
110
111
correspondiente al segundo retardo, se identifican hasta dos regmenes distintos en
el proceso y se observa un cambio de pendiente alrededor de 0,009.
Mediante grficos similares correspondientes al tercer, cuarto, quinto y sexto
retardos, los valores entre los que flucta el estadstico se encuentran en el
intervalo (-2,2), lo que implica que la variable no sera significativa y por lo tanto
dichas grficos no son informativas.
Detectados estos cuatro regmenes, se procede a estimar el modelo TAR, que
consiste en ajustar modelos AR(p). El primer rgimen, hasta 0,004; el segundo,
desde 0,004 hasta 0,007; el tercero, desde 0,007 hasta 0,009, y el cuarto, los mayores
de 0,009. Dado que hay pocas observaciones de entre 0,007 y 0,009 y que adems
el modelo AR(1) no es significativo entre estos valores, el valor de 0,007 no es tratado
como un umbral. En consecuencia, podemos decir que el proceso tiene tres
regmenes distintos con dos valores umbrales en 0,004 y en 0,009.
Grfico 3. Valores T de la constante respecto a la variable umbral
12
10
8
T1
6
4
2
0
-2
.0 0 0
.0 0 5
.0 1 0
.0 1 5
Y 2
.0 2 0
.0 2 5
12
10
8
T2
6
2
,000
,005
,010
,015
,020
,025
Y2
112
113
Paso 4: Redefinir el orden AR en cada rgimen usando tcnicas de autorregresin
lineal.
Se debe realizar la estimacin de dos modelos TAR: el primero, con tres
regmenes y valores umbrales 0,004 y 0,009, y el segundo, con dos regmenes y un
nico valor umbral de 0,004. Para lograr dichas estimaciones, se elaboran dos
macros, de modo que la primera separe las observaciones que hay antes o entre cada
valor umbral y la segunda estime los modelos TAR con tales subseries.
La primera macro separa la serie en las observaciones que son menores o
iguales a 0,004, entre 0,004 y 0,009 y las mayores o iguales a 0,009. La segunda
estima los dos modelos TAR; a partir de los resultados se elige el modelo TAR que
mejor se ajuste a los datos.
El primer modelo tiene 30, 46 y 37 observaciones en cada uno de los regmenes
con AR de primer orden en el segundo y tercer rgimen, y AR de segundo orden en
el primero. Como se observa en las tablas 3, 4 y 5, los coeficientes de primer orden
en los regmenes uno y tres son significativos, mientras que en el rgimen dos no
lo son. As mismo, en el grfico 6, podemos observar que el ajuste no es tan
significativo.
El modelo TAR seleccionado es:
yt = 0,006639 0,088653 y t 1
0,011999 + 0,850283 y 1
t
si
si
si
y t 2 0,004
0,004 < yt 2 < 0,009
y t 2 0,009
Estadstico T
-0,000148
0,000692
-0,213525
0,8326
AR(1)
0,673190
0,188491
3,571466
0,0015
AR(2)
-0,429924
0,187297
-2,295413
0,0304
Probabilidad
Tabla 5. Estimacin para los valores que son mayores o iguales a 0,009
Variable dependiente: A33
Mtodo: mnimos cuadrados
Variable
C
AR(1)
Estadstico T Probabilidad
4,771236 0,0000
9,885317 0,0000
114
115
El segundo modelo TAR tiene 30 y 83 observaciones en cada uno de los
regmenes con rdenes AR de 2 y 1, respectivamente. Como se observa en las tablas
6 y 7, los coeficientes AR en cada rgimen son significativos. El grfico 7 muestra
un buen ajuste a la serie dada inicialmente.
Tabla 6. Estimacin para los valores menores o iguales a 0,004
Variable dependiente: B1
Mtodo: mnimos cuadrados
Variable Coeficiente Error estndar
C
-0,000148
0,000692
AR(1)
0,673190
0,188491
AR(2)
-0,429924
0,187297
Estadstico T
-0,213525
3,571466
-2,295413
Probabilidad
0,8326
0,0015
0,0304
Coeficiente
0,010106
0,837243
Probabilidad
0,0000
0,0000
si
si
yt 2 0,004
yt 2 > 0,004
.0 2 5
.0 2 0
.0 1 5
.0 1 0
.0 0 5
.0 0 0
- .0 0 5
- .0 1 0
25
50
75
ESTI
YT
100
116
117
1% Valor crtico*
-3,4895
5% Valor crtico
-2,8872
10% Valor crtico
-2,5803
*Valores crticos de MacKinnon para rechazar la hiptesis de una raz unitaria.
Ecuacin de prueba de Dickey-Fuller aumentada
Variable dependiente: D(DLPIB)
Mtodo: mnimos cuadrados
Muestra (ajustada): 5 116
Observaciones incluidas: 112 despus de ajustar puntos finales
Se observa que a un nivel del 10% la serie DLPIB no tiene raz unitaria, es decir,
es un proceso estacionario en media.
Anexo 2. Anlisis de los residuos de las regresiones TAR
1. Prueba de correlacin serial
Prueba de correlacin serial LM de Breusch-Godfrey:
Estadstico F
0,583285
Probabilidad
0,566106
*R-cuadrado obs. 1,351618
Probabilidad
0,508745
Variable
Coeficiente
Estadstico
Error estndar
Probabilidad
DLPIB(-1)
-0,142068
0,051236
-2,772804
0,0065
D(DLPIB(-1))
0,231974
0,092571
2,505899
0,0137
D(DLPIB(-2))
-0,160198
0,094311
-1,69861
0,0923
0,001026
0,000465
2,204324
0,0296
R- cuadrado
0,138364
-0,00000392
R cuadrado
0,114429
0,003212
-8,730302
Criterio de Schwarz
-8,633212
Probabilidad del
492,8969
Estadstico de F
5,780962
Estadstico de
1,985944
Prob (estadstico de F)
0,001053
Durbin-Watson
Correlacin parcial
. *| . |
. | . |
. | . |
.**| . |
. *| . |
. | . |
.**| . |
. *| . |
. *| . |
.**| . |
. | . |
. |**. |
1
2
3
4
5
6
7
8
9
10
11
12
AC
-0,08
0,038
-0,04
-0,289
-0,094
-0,028
-0,208
0,078
-0,067
-0,099
0,256
0,256
A partir del correlograma se observa que los residuos son ruido blanco.
3. Prueba de normalidad
8
Series: Residuals
Sample 3 30
Observations 28
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
Jarque-Bera
Probability
0
-0.006 -0.004 -0.002 0.000
118
0.002
0.004
0.006
5.48E-17
0.000222
0.005054
-0.005072
0.002663
-0.096554
2.329991
0.567237
0.753054
119
Se utiliza el test de Jarque Bera. La probabilidad es mayor que 0,05, lo que nos
lleva a aceptar la hiptesis de que los residuos siguen una distribucin normal.
De (1), (2) y (3) se justifica el hecho de que los residuos de la ecuacin TAR son
variables aleatorias normales independientes e igualmente distribuidas.
Bibliografa
BOLLERSLEV, T. 1986, Generalized Autoregresive Conditional Heteroscedasticity. Journal
of Econometrics, No. 31f, pp.307-327.
Chen, C y LIU, L.M. 1993, Joint Estimation of Threshold of Models Parameters and Outlier
Effects in Time Series. Journal of the American Statistical Association, Vol. 88, pp. 284297.
CHEN, R. 1995, Threshold Variable Selection in Open-Loop Threshold Autoregresive
Models. Journal of Time Series Analysis, Vol. 16, pp.461-481.
ENGLE, R. 1982, Autoregresive Conditional Heteroscedasticity with Estimates of the
Variance of United Kingdom Inflation. Econometrica, Vol. 50, No. 4, pp.987-1007.
____________ y BOLLERSLEV, T., 1986, Modelling the Persistence of Conditional Variances.
Econometrics Review, 5, pp.11-50.
GRIFFITHS-HILL-JUDGE, 1993, Learning and Practicing Econometrics. Nueva York, John Wiley
and Sons.
TSAY, R. S., 1986, Nonlinearity Test For Time Series. Biometrica, No. 73, pp. 461-466.
____________,1989, Testing And Modelling Threshold Autoregressive Processes. Journal
of the American Statistical Association, No. 84, pp. 231-240.
TIAO G. C. y TSAY R. S. ,1994, Some Advances in Non-Linear and Adaptive Modelling
in Time Series. Journal of forecasting, Vol.13, pp. 109-131.
TONG H. y LIM, K. S. ,1980, Threshold Autorregresion, Limited Cycles and Cyclical Data.
Journal of the Roysal Statistical Society, Serie B, No. 42, pp. 245-292.
WHITE, H., 1980, A Heteroscedasticity Consistent Covariance Matrix Estimation and A
Direct Test For Heteroscedasticity. Econometrica, No. 48, pp.817-838.