El uso de VARCCE en el estudio de los

determinantes de flujos internacionales de capital

e inversin extranjera de cartera. El caso de
Mxico
Seminario CONAC-ITAM
Alejandro Islas
Departamento de Estadstica-ITAM

Vectores Autorregresivos
La forma estructural y la forma reducida
Contrario a los modelos que slo capturan relaciones de
asociacin estadstica, un modelo estructural representa relaciones
de causalidad. Una ecuacin estructural puede obtenerse de un
modelo econmico, o sta puede obtenerse de un razonamiento
informal. Algunas veces el modelo estructural se puede estimar
directamente. En otras ocasiones debemos combinar supuestos
adicionales acerca de otras variables con manipulaciones
algebraicas para obtener un modelo estimable.
Goldberger, A. S (1972), Structural Equation Methods in the Social
Sciences, Econometrica 40, 979-1001

y1t b10 b12 y2t 11 y1t 1 12 y2t 1 1t

(1)

y2t b20 b21 y1t 21 y1t 1 22 y2t 1

(2)

2t

Las ecuaciones (1) y (2) constituyen un VAR de primer orden,

pues slo hay un rezago. Ntese que existen variables
endgenas contemporneas que se encuentran a la derecha del
signo igual. Por tanto, a fin de establecer el sistema como una
forma reducida es necesario eliminar el efecto contemporneo de
y1t sobre y2t y viceversa. Para ello se puede utilizar el lgebra
matricial:

 b12 y1t b10 11

1

b12 1 y 2t b20 21

12

22

y1t 1

y1t

y 2t 1

y2 t

Otra forma de plantear el sistema anterior sera:

B y t 0 1 y t 1 t

(3)

donde:

1 b12
B
,

b21 1

y1t
y1t
b10
11 12
yt
, 0 , 1
, t

b20
y2t
21 22
y 2t

La multiplicacin por B 1 nos permite obtener el vector autorregresivo

en la forma reducida:

Y t 0 1 Y t 1 et
donde

0 B 1 0

(5)

1 B 1 1

(6)

et B 1 t

(7)

(4)

y1t 10 11 y1t 1 12 y2t 2 e1t

(8)

y2t 20 21 y1t 1 22 y2t 2 e2t

(9)

A fin de distinguir entre el sistema representado por las

ecuaciones (1) y (2) y el sistema representado por (8) y 9); se
puede denominar al primero como VAR estructural y al segundo
como VAR en forma reducida.
VAR(p)

yt 0 1 y t 1 2 y t 2 ... p y t p et

Estimacin
El mtodo de estimacin de los parmetros involucrados en el
vector autorregresivo es el de Mxima Verosimilitud.
Supongamos que contamos con (T+k) observaciones de cada
una de las n-variables. Al igual que en el caso univariado, la
idea es condicionar en la k primeras observaciones (X-k+1,X-k+2,
,X0) y lograr la estimacin con las ltimas T observaciones
(X1,X2,,XT). El objetivo es formar la funcin de
verosimilitud condicional

f X T , X T 1,..., X 1| X 0, X 1,..., X k 1 ( X T , X T 1 ,..., X 1 | X 0 , X 1 ,..., X k 1 ; )

y maximizar con respecto a , donde

{ 0 , 1 ,..., p , }

Tamao del rezago

Adems de la inclusin de las variables apropiadas, en un
VAR se debe elegir la determinacin del tamao del rezago en
cada ecuacin. En tal determinacin la precisin es
importante. Por un lado un tamao excesivo de los rezagos
puede llevar a un desperdicio de grados de libertad. Por otro,
si el citado tamao es muy pequeo se puede cometer un
problema de especificacin que traera como consecuencia la
autocorrelacin de los residuales dentro de cada ecuacin.
Por tal motivo se deben elaborar pruebas para determinar el
tamao ptimo de los rezagos.

H 0 : k k0
H 1 : k1 k 0
T

Sea
0

'
(
)
[
(
)]
et k 0 et k 0
t 1

Entonces
Tn
T
Tn
1

ln(2 ) ln | 0 |
0)
l 0 ( ' ,
2
2
2

Ahora bajo la alternativa tenemos que

',
1)
l1 (

Tn
T
Tn
ln(2 ) ln | 11 |
2
2
2

Por lo tanto
T
T
1
1

2(l1 ( ' ,
1) l 0 ( ' ,
0)) 2 ln | 1 | ln | 0 |
2
2

1
1

T ln
T ln
1|
0 |
|
|
T ln |
1 | T ln |
0|

2
T ln |
0 | ln |
1 | ~ n2( k1 k 0 )

Sims (1980)
2
(T c ) ln
0 ln
1 ~ 2 ( )
n k1 k 0

donde
c 1 n k1

AIC (T ) log 2( N )
SBC (T ) log ( N ) log (T )
donde: es el determinante de la matriz varianza covarianza de los
residuales
N = nmero total de parmetros estimados en todas las ecuaciones.
En relacin al nmero total de parmetros se puede sealar que N =
n2k + n. Este total correspondera a un sistema simtrico donde el
nmero de variables endgenas (n) es igual al nmero de regresores
y donde cada ecuacin tiene un intercepto. El criterio de seleccin es
elegir el nmero de rezagos que sea consistente con el menor AIC o
SBC.

Funcin de Respuesta al Impulso

La funcin de impulso respuesta es un artificio que ayuda a
comprender las propiedades dinmicas del VAR. La pregunta de
inters es sencilla y directa:
Cmo afecta una innovacin unitaria a una serie, ahora y despus?
Ejemplo:

y

y

t
1
10
1
t

1
11
12

e1t

20

y
e

21
22

t 2
2t 1 2t

tenemos

y
y
11
t
1
1

y
y
2

k 0 21
t 2

12

22

e1tk
e2t k

Esta ecuacin expresa a y1t y y2t en trminos de e1t y e2t. La idea es

que queden expresadas en trminos de 1t y 2t
de (7) tenemos

e t B 1 t

1
e1t
1

b
12 1t

e2t (1

b12b21) b21 1 2t

entonces

y
y

1
11
t
1

y
2

0
21
t2
(1 b12 b 21)

ahora, sea

por lo tanto,

12

22

b
12

(
1

b12b21 b21

k
1

1t k

-b

12

21

2t k

 (k)

y
y
11
t
1
1

y
2
yt 2

k 0 21 (k)

de manera ms compacta

12(k) 1t k
2t k
22(k )

yt k t k

(10)

k 0

NOTA: ij(0) multiplicadores de impacto o de corto plazo.

Por ejemplo,el coeficiente 12(0) es el impacto instantneo de un
cambio unitario en 2t sobre y1t . De la misma manera, los coeficientes
11(1) y 12(1) representan la respuesta un periodo despus ante un
cambio unitario en 1t-1 y 2t-1 sobre y1t respectivamente

Entonces, despus de n periodos, la suma acumulada de los efectos

de 2t sobre y1t esta dada por:
n

k 0

ij

(k )

Permitiendo que n tienda a infinito se obtienen los multiplicadores

de largo plazo.
Bajo el supuesto que y1t y y2t son estacionarias, se tiene que cumplir
que para todo i y j

k 0

2
ij

(k )

Los cuatro coeficientes 11(k), 12(k), 21(k) y 22(k) se llaman

funciones de respuesta al impulso.

Si b21 = 0 (descomponsicin de Choleski)

e1t 1t b12 2t
e2t 2t

Descomposicin de la Varianza
Otra forma de caracterizar la dinmica asociada con los vectores
autorregresivos, muy relacionada con la funcin de impulso
respuesta, es la descomposicin de la varianza. Este mtodo tiene un
vnculo inmediato con los pronsticos; permite contestar a cunto
de la varianza del error de pronstico a n etapas de la variable yi se
explica con innovaciones a la variable yj, para n =1, 2,3, ...?

S a partir de (10) realizamos el pronstico condicional de yt+1, el

error de pronstico seria igual a:

entonces

yt 1 k t 1k
k 0

E t ( yt 1) k t 1 k
k 1

por lo tanto

yt 1 E t ( yt 1) 0 t 1

de manera general:

yt n k t nk
k 0

entonces

E t ( yt n) k t n k
k n

por lo tanto
n 1

yt n E t ( yt n) k t n k
k 0

Retomando el ejemplo del VAR(1) con dos variables y

concentrndonos en el error de pronstico a n etapas de la variable
y1t, tenemos:

y1t n E t ( y1t n) 11 (0) 1t n 11 (1) 1t n 1 ... 11 (n 1) 1t 1

12 (0) 2t n 12 (1) 2t n 1 ... 12 (n 1) 2t 1
por lo tanto, la varianza del error de pronstico de y1t a n etapas es:

2
11

2
11

2
12

2
12

2
11

y (n) y (0) (1) ... (n 1)

2

1t

1t

2t

2
12

(0) (1) ... (n 1)

Obsrvese que es posible descomponer la varianza del error de

pronstico a n etapas en dos componentes, una por cada una de las
innovaciones

y
2

2
11

2
11

2
11

(0) (1) ... (n 1)

1t

proporcin debido a
innovaciones en 1t

y ( n)
1t

2
12

2
12

2
12

y (0) (1) ... (n 1)

2

2t

y ( n)
1t

proporcin debido a
innovaciones en 2t

Si los choques a 2t no explican la varianza del error de pronstico

de y1t en todo el horizonte del pronstico, podramos concluir que la
variable y1t es exgeno. En tales circunstancias, la variable y1t
evolucionara de manera independiente a los choques de 2t en y2t.
En el otro extremo, pudiera darse el caso en el que los choques
de 2t explicaran toda la varianza del error del pronstico de y1t en
todo el horizonte del pronstico, en tal caso, diramos que y1t es
enteramente endgena.

Estacionariedad y Cointegracin
La teora econmica sugiere relaciones de equilibrio que son
funciones estacionarias de las variables originales. Es decir, los
desequilibrios son transitorios y, por tanto, estacionarios.
Adems, la teora econmica postula comportamientos no
estacionarios para distintas variables, tales como, los precios de
activos, los tipos de inters, etc.
Todo ello, junto con la posibilidad de la aparicin de relaciones
espurias al regresar dos o ms variables integradas que son
independientes una de la otra, condujo a la prctica habitual de
transformar las variables en estacionarias siguiendo la estrategia
propuesta por Box-Jenkins

Definicin de cointegracin:
Las componentes de un vector Yt(nx1) se dice que estn cointegradas
de rdenes d y b, y se denota por Yt~CI(d,b), si:
a) Todas las componentes de Yt son integrables del mismo orden d,
I(d)
b) Existe un vector , no nulo, talque Yt = zt~I(d-b), con b>0. Al
vector se le denomina vector de cointegracin.
El caso ms comnmente considerado es aquel en que d=b=1, es
decir, que todos los elementos de Yt sean I(1) y zt sea I(0),
estacionario.

En el caso de que exista no ser nico. Basta multiplicar el vector

por un escalar diferente de cero para obtener un nuevo vector de
cointegracin. No obstante, el nmero de vectores de cointegracin
linealmente independientes que puede haber entre n variables
integradas del mismo orden es n-1.
Como se ha visto, los choques aleatorios tienen un efecto
permanente sobre las variables integradas. Pues bien, el que exista
una relacin de cointegracin entre un conjunto de variables
significa que las perturbaciones tienen un efecto temporal sobre
dicha relacin, Yt, mientras que tienen un efecto permanente
sobre las variables individuales.

Mecanismos de Correccin del Error y el Teorema de

representacin de Granger
Un modelo de Mecanismo de Correccin de Errores (MCE)
combina variables en niveles y en primeras diferencias. Las
relaciones establecidas entre las variables en niveles (relaciones de
largo plazo) actan como un servomecanismo que interviene en la
relacin entre las variables diferenciadas (cambios de las variables)
para retomar la relacin a su nivel de equilibrio a largo plazo.
De manera formal, un vector Yt(nx1) admite una representacin
MCE si se puede expresar de la siguiente manera:

 ( L) y t y t 1 et
Donde es un vector de perturvaciones estacionarias; (L) es una
matriz de (nxn) polinmica en el operador de retrasos que satisface:
(0)=In y que (1) tiene todos los elementos finitos, finalmente
0
La relacin formal entre este tipo de modelo y la relacin de
cointegracin la establece el Teorema de Reprecentacin de
Granger
Si un vector Yt(nx1) es C(1,1), existe un MCE vlido para
representar el proceso generador de los datos.
Si el proceso generador de los datos de un conjunto de variables
admite una representacn de MCE, stas estn cointegradas.

Procedimiento mximo verosmil de Johansen

El procedimiento mximo verosmil de Johansen tiene una serie de
ventajas frente al procedimiento de Engle y Granger, como son el
contrastar simultneamente el orden de integracin de la variables
y la presencia de relaciones de cointegracin entre ellas; estimar
todos los vectores de cointegracin, sin imponer a priori que
nicamente hay uno; y no verse afectado por la endogeneidad de
las variables implicadas en la relacin de cointergracin.

p 1

y t 0 i y t i y t 1 t

(11)

i 1

La matriz , de orden (nxn), contiene la informacin sobre la

relacin a largo plazo entre las variables, llamndose tambin
matriz de impactos. La expresin (11) es la de un MCE en forma
matricial.
Debe notarse que para que la expresin (11) est equilibrada es
necesario que y t-1 sea I(0), lo que implica que la matriz recoge
las relaciones de cointegracin.
Dado el rango de , rango() = r

Contrastes para determinar el rango de

El nmero de vectores de cointegracin puede ser obtenido a partir
de verificar la significancia de las races caractersticas de .
Recuerde que el rango de una matriz es igual al nmero de sus races
caractersticas diferentes de cero. Suponga que se conoce la matriz
y que se ordenan sus n races caractersticas de la siguiente manera

1> 2>... >n. Si las variables de vector yt no estn cointegradas, el

rango de es cero y todas sus races caractersticas seran iguales a
cero.
0 (r): '

0 (r): hay como mximo r vectores de cointegracin

a (n): hay n vectores de cointegracin
n

traza (r) T ln 1 i
i r 1

donde i

Es el valor estimado de la raz caracterstica obtenido

de la matriz estimada

T es el nmero de observaciones

Un estadstico alternativo para contratar

0 (r): el nmero de vectores de cointegracin es r

es:

a (r 1): el nmero de vectores de cointegracin es r 1

max (r,r 1) T ln 1 r 1
Los valores crticos de ambos estadsticos se encuentran en
Johansen (1988). Debe sealarse que la distribucin de los
estadsticos depende del nmero de relaciones de cointegracin,
por lo que los valores crticos varan en funcin del nmero de
stas.

Pozos Mrquez, J.M., Islas-Camargo A., Venegas F. Corrientes internacionales

de capital e inversin extranjera de cartera. El caso de Mxico, 1989-1999 El
trimestre Econmico. Octubre-Diciembre de 2003, Vol. LXX(4). No. 280, 791,
833.
La inversin extranjera de cartera se define como toda inversin que se realiza en
ttulos gubernamentales (Mercado de dinero) y en acciones (Mercado de capital),
particularmente de corto plazo
Con el propsito de explicar el comportamiento de la IEC en Mxico, se
consideran tanto factores externos como internos, los cuales se incorporarn al
VARCCE. Entre los factores de carcter externo, se consideran las tasas de inters
de corto y largo plazo de los Estados Unidos, as como la rentabilidad del ndice
accionario Dow Jones (RDJ). Mientras que los factores de carcter interno estn
dados por las tasas de inters de corto y mediano plazo de Mxico, la rentabilidad
en dlares del mercado accionario mexicano (RBMV), as como un indicador de
riesgo pas (RP).

La inversin de cartera en Mxico tiene dos vertientes principales:

El mercado de dinero y el mercado de capitales.
El comportamiento del primero se explica por la tasa de inters
y el del segundo por el rendimiento de un ndice accionario.
Ambos mercados estn altamente influenciados por los diferenciales de tasas
de inters y de rentabilidad burstil. Por lo que respecta a las tasas de inters de
corto plazo, en ambos casos, se consideran:
a) la tasa de inters del papel comercial a 1 mes; b) la tasa de inters de las
aceptaciones bancarias a 3 meses; y c) las tasas de inters de los T-bills y Cetes
a 3 meses.
En cuanto a las tasas de inters de mediano y largo plazo, en el caso de Mxico
--por no existir una tasa de mayor plazo para todo el periodo analizado-- se
considera la tasa de inters de los certificados de depsito a plazo fijo, 9 meses,
mientras que en el caso de los Estados Unidos se utiliza la tasa de inters de
largo plazo de los bonos del Departamento del Tesoro, 30 aos.

Rentabilidad de los ndices accionarios IPC y Dow Jones.

En lo que sigue, la variable RBMV representa la rentabilidad, en trminos de
dlares, del mercado mexicano de capitales expresada como variacin
porcentual mensual. Asimismo, nos referiremos a la rentabililidad del ndice
Dow Jones, RDJ, como la rentabilidad burstil de los Estados Unidos,
tambin calculado como variacin porcentual mensual.
Indicador de riesgo pas para Mxico:
El indicador riesgo pas que se utilizar aqu es la diferencia entre el
rendimiento de los Cetes, en trminos de dlares, y los T-bills a tres meses
(Leiderman y Thorne, 1996, y Venegas-Martnez, 2000). Desde el inicio del
periodo, este indicador sigue una tendencia descendente hasta finales del ao
1994. Este comportamiento muestra que durante dicho periodo su
disminucin corresponde al proceso de estabilizacin econmica que vivi el
pas. No obstante, con el estallido de la crisis, el riesgo pas se dispar
bruscamente y aunque de 1996 a 1998 ste tendi a disminuir, al final del
periodo registr nuevamente un repunte. Un alto nivel de riesgo pas refleja
un alto premio al riesgo.

Pruebas Dickey-Fuller de Raz Unitaria

Variables
CPE
CPM
IEC
RBMV
RDJ
RP

Estadstico ( ) Estadstico ( ) Parmetros en la

regresin
-1.92351 (12)
Sin tendencia, sin
constante
-2.69854 (12)
Sin tendencia, sin
constante
-1.93967 (12)
Sin tendencia, sin
constante
2.51233 (12)
Sin tendencia, con
constante
1.97053 (6)
Sin tendencia, con
constante
-1.93187 (6)
Sin tendencia, con
constante

Prueba de cointegracin de Johansen

T j n (1 j )
Valores propios H 0 : rango p
0.461
r = 0*
207.06
r 1 *
0.344
129.20
r2 *
0.313
76.01
r 3
0.137
28.64
r 4
0.053
9.99
0.024
3.09
r 5
*Rechazo de H0 al 1% de significancia

traza (0.90)

111.37
83.93
60.42
40.83
24.73
12.73

Vectores de cointegracin estimados y sus coeficientes de ajuste

Vectores de cointegracin normalizados ()
IEC
CPE
CPM
RBMV
RDJ
RP
1.000
-0.912
1.906
2.182
-1.439
-0.033
0.204
-0.481
0.621
1.000
-1.757
-0.067
-0.212
1.228
-12.111
2.741
3.803
1.000
Coeficientes de ajuste ()
-0.275
-0.019
-0.182
0.027
0.008
-2.152
(-4.223) (-0.944) (-0.530)
(3.370) (2.581) (-6.760)
-1.013
-0.010 0.174
-0.104
0.011
2.125
(-5.277) (-0.164) (2.127)
(-4.402) (1.233) (2.266)
-0.025
0.000
0.013
-0.009
0.000
-0.393
(-0.639) (-0.020) (0.804) (-1.957) (-0.245) (-2.087)
Estadstica t en parntesis
2
H 0 : 2 j 0, para j 1,2,3. ( 3) 0.85 valor - p 0.84

CP E es dbilmente exgena

Matriz de efectos contemporneos

1
0

b31

b32

b41
b51

b42

b43

b52

b53

b54

CPM

0 e1t
0 RP

e2t

0 e3RBMV
t
RDJ
0 e4t

1 e5IEC
t

1CPM

RP
2t

= RBMV
3t
RDJ
4t
IEC
5t

Descomposicin de la varianza de la IEC en Mxico.

Mese
s
1
2
3
4
5
6
7
8
9
10
11
12

CPM
4.848
7.008
8.032
8.524
8.513
8.657
8.658
8.674
8.674
8.677
8.677
8.678

RP
2.056
13.143
14.376
14.241
14.152
14.367
14.372
14.377
14.377
14.380
14.380
14.381

RBMV
86.628
65.913
64.410
63.833
63.886
63.551
63.533
63.509
63.510
63.502
63.502
63.502

RDJ
0.969
9.750
9.178
9.261
9.205
9.203
9.214
9.209
9.209
9.209
9.209
9.209

IEC
5.499
4.186
4.004
4.141
4.243
4.222
4.223
4.229
4.231
4.231
4.231
4.232

Funcin de Impulso-Respuesta de la IEC

4
.

2
.

0
-

0
.

0
-

2
.

0
-

4
.

0
-

6
.

0
-

8
.

1
-

0
.

0 1

2 1

4 1

6 1

8 2

0 2