Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Econometra II
1 / 23
Modelos de volatilidad
Autoregressive conditional heteroskedasticity (Engle 1982)
Es com
un encontrar en series de tiempo que los residuos tienen una
varianza volatil.
Una aproximacion para modelar este fen
omeno es el modelo ARCH.
La idea fundamental es que la varianza del error de MCO en el
perodo t depende de realizaciones previas t h, en otras palabras, se
modela empleando la heteroscedasticidad.
Un modelo ARCH(p) puede escribirse de la siguiente forma:
ut = t t ;
t2
E (ut2 |t1 )
= 0 +
q
X
2
i ut1
i=1
Econometra II
2 / 23
Modelos de volatilidad
Autoregressive conditional heteroskedasticity (Engle 1982)
Note que a pesar de que los errores no son independientes, no estan
correlacionados: E (ut ut1 ) = 0
Si el proceso (ut2 ) es estacionario, la varianza es independiente de t
(homoscedastica), en cuyo caso el proceso se reduce a:
t2
= 0 +
q
X
2
i ut1
= 0 +
i=1
p
X
i = 2
i=1
2 =
P0p
i=1
En donde la condici
on para estacionariedad involucra que
i : i > 0 para asegurar obtener varianzas positivas.
Pp
i=1
<1y
Econometra II
3 / 23
Modelos de volatilidad
GARCH: ARCH Generalizado (Bollerslev 1986)
Un porceso GARCH(p,q) generaliza la volatilidad incluyendo q
rezagos de la varianza.
ut = t t ;
t2 = E (ut2 |t1 ) = 0 +
p
X
2
i ut1
+
i=1
q
X
j tj
j=1
0
Pq
j=1 j
i=1 i
Pp
Econometra II
4 / 23
Vectores Autoregresivos-VAR
Econometra II
5 / 23
Vectores Autoregresivos-VAR
Analicemos un caso sencillo, un modelo con 2 variables (xt , yt ).
En un modelo VAR, este modelo tiene dos ecuaciones, una para cada
regresor.
yt = 0 + 1 xt1 + 2 yt1 + u1t
xt = 0 + 1 xt1 + 2 yt1 + u2t
En general, si tenemos h regresores, tendremos h ecuaciones.
Es por lo tanto un sistema de h ecuaciones.
Idealmente, si Cov (u1t , u2t ) = 0 podemos estimar estos modelos
independientemente (con los metodos estudiados hasta este
momento). Sin embargo, ganamos consistencia en la estimacion VAR.
Econometra II
6 / 23
Vectores Autoregresivos-VAR
Podemos escribir este sistema de ecuaciones de una forma simplificada para
aproximarnos a una forma intuitiva de un modelo AR y su correspondencia con un
modelo MA:
yt
0
1 2 xt1
u1t
=
+
+
xt
0
1 2 yt1
u2t
Yt = A0 + A1 Yt1 + Ut
Yt = (I A1 L)1 (A0 + Ut ) = B(L)A0 + B(L)Ut
Si reemplazamos recursivamente el vector autoregresivo, podemos identificar una
expresi
on explcita de la Funci
on Impulso/Respuesta.
Yt = A0 + A1 Yt1 + Ut
yt
b01
1
=
+
xt
b02
1
Econometra II
2
2
u1,t1
+ ...
u2,t1
7 / 23
Vectores Autoregresivos-VAR
Estimaci
on e inferencia:
Bajo los supuestos de VAR, estimaciones individuales de las h
ecuaciones mediante de MCO es una estrategia factible.
I
Facilita la construcci
on de pruebas de hip
otesis conjuntas, a traves de
las h ecuaciones.
Econometra II
8 / 23
Vectores Autoregresivos-VAR
Estimaci
on e inferencia:
La seleccion de rezagos es determinante en la estimacion por lo tanto
necesitamos alg
un criterio para su selecci
on:
I
El n
umero de coeficientes de estimaci
on en este sistema se incrementa
considerablemente por los rezagos a incluir.
Econometra II
9 / 23
Vectores Autoregresivos-VAR
En EViews: Lag Structure
Econometra II
10 / 23
Vectores Autoregresivos-VAR
Varios criterios de informaci
on informan esta decisi
on (*):
Econometra II
11 / 23
Vectores Autoregresivos-VAR
Ejemplo: La inflacion, la oferta monetaria y la tasa de interes.
Econometra II
12 / 23
Vectores Autoregresivos-VAR
Estimemos el modelo: VAR(IPC , M1, spread)
Econometra II
13 / 23
Vectores Autoregresivos-VAR
Resultados: Que podemos concluir de la dinamica de este proceso?
Econometra II
14 / 23
Vectores Autoregresivos-VAR
Resultados: Si observamos los residuos?
Econometra II
15 / 23
Vectores Autoregresivos-VAR
Resultados: Si observamos los tests de Raz Unitaria? (ADF, t and drift)
Econometra II
16 / 23
Vectores Autoregresivos-VAR
Resultados: Obtenemos la D1 y testeamos ADF (t and drift)
Econometra II
17 / 23
Vectores Autoregresivos-VAR
Algunos comentarios:
Estamos modelando un proceso estocastico, por lo tanto la condicion de
estacionariedad de las variables es deseable.
Podemos analizar este fen
omeno directamente analizando los cambios
porcentuales (elasticidades), por lo tanto obtenemos la primera diferencia de
los logaritmos de la inflaci
on y el agregado monetario M1 (que son
estacionarios).
El SPREAD es una variable estacionaria, y sus unidades son porcentajes. No
necesita transformaci
on.
Mas alla de los coeficientes dinamicos, podemos analizar la Funci
on
Impulso/Respuesta (FIR.
Estimar la FIR a nivel puede llevarnos a conclusiones erroneas.
El orden de imputaci
on de la informaci
on en la descomposicion de Cholesky
determina las restricciones dinamicas de la matriz diagonal inferior.
Econometra II
18 / 23
Vectores Autoregresivos-VAR
Resultados: Estimamos nuevamente el modelo corrigiendo los problemas
descritos.
Econometra II
19 / 23
Vectores Autoregresivos-VAR
Resultados: Obtenemos las Funciones de Impulso Respuesta
Econometra II
20 / 23
Vectores Autoregresivos-VAR
Resultados: Obtenemos las Funciones de Impulso Respuesta
Econometra II
21 / 23
Vectores Autoregresivos-VAR
Modifique la definicion del impulso: varias alternativas
Econometra II
22 / 23
Vectores Autoregresivos-VAR
Modifique la definicion del impulso: varias alternativas
Econometra II
23 / 23