Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
(1)
(2)
2t
b12 1 y 2t b20 21
12
22
y1t 1
y1t
y 2t 1
y2 t
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
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)
(8)
(9)
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
{ 0 , 1 ,..., p , }
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
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.
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
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
k 0
ij
(k )
k 0
2
ij
(k )
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, ...?
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
2
11
2
11
2
12
2
12
2
11
1t
1t
2t
2
12
y
2
2
11
2
11
2
11
1t
proporcin debido a
innovaciones en 1t
y ( n)
1t
2
12
2
12
2
12
2t
y ( n)
1t
proporcin debido a
innovaciones en 2t
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.
( 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.
p 1
y t 0 i y t i y t 1 t
(11)
i 1
traza (r) T ln 1 i
i r 1
donde i
T es el nmero de observaciones
es:
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.
traza (0.90)
111.37
83.93
60.42
40.83
24.73
12.73
CP E es dbilmente exgena
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
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
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