Econometra de Series de Tiempo

Jose Gabriel Castillo

ESPOL, Guayaquil

Noviembre 26, 2015

Castillo, J.G. (ESPOL)

Econometra II

Noviembre 26, 2015

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

Castillo, J.G. (ESPOL)

Econometra II

Noviembre 26, 2015

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

Empricamente una aplicaci

on limitada.

Castillo, J.G. (ESPOL)

Econometra II

Noviembre 26, 2015

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

Similar al caso previo, si el proceso (ut2 ) es estacionario, la varianza es:

2 =

0
Pq

j=1 j
i=1 i

Pp

Es un proceso empricamente mas exitoso, y la version mas popular es

el GARCH(1,1).

Castillo, J.G. (ESPOL)

Econometra II

Noviembre 26, 2015

4 / 23

Vectores Autoregresivos-VAR

Desarrollado por Christopher Sims (1980), no requiere un

conocimiento detallado de la dinamica causal de los fenomenos. Los
coeficientes estimados no son coeficientes estructurales.
En la practica puede ser de nuestro interes estimar varios modelos, y
sus relaciones dinamicas, simultaneamente.
La intuici
on es: existen fen
omenos externos, denominados: shocks
exogenos, shocks idiosincraticos o innovaciones, que afectan
simultaneamente a las variables de un sistema, por lo tanto queremos
estudiar su dinamica simultaneamente.
Todas las variables son endogenas.

Castillo, J.G. (ESPOL)

Econometra II

Noviembre 26, 2015

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.

Castillo, J.G. (ESPOL)

Econometra II

Noviembre 26, 2015

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

;Yt1 = A0 + A1 Yt2 + Ut1

Yt = (A0 + A0 A1 ) + Ut + A1 Ut1 + A1 A1 Yt2 + ...

 

yt
b01
1
=
+
xt
b02
1

Castillo, J.G. (ESPOL)

Econometra II

2
2



u1,t1
+ ...
u2,t1

Noviembre 26, 2015

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

La inferencia es la misma y la construcci

on y prueba de hipotesis sigue
los criterios que hemos estudiado.

Una mejor estrategia es estimar esas ecuaciones conjuntamente.

I

Facilita la construcci
on de pruebas de hip
otesis conjuntas, a traves de
las h ecuaciones.

Los coeficientes estimados siguen una distribucion normal conjunta en

grandes muestras.

Castillo, J.G. (ESPOL)

Econometra II

Noviembre 26, 2015

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.

Podemos utilizar los criterios de informacion: BIC, AIC para identificar

una especificaci
on
optima, u
nicamente basada en las ventajas
estadsticas de cada especificaci
on. (ej. min(BIC , AIC ))

Castillo, J.G. (ESPOL)

Econometra II

Noviembre 26, 2015

9 / 23

Vectores Autoregresivos-VAR
En EViews: Lag Structure

Castillo, J.G. (ESPOL)

Econometra II

Noviembre 26, 2015

10 / 23

Vectores Autoregresivos-VAR
Varios criterios de informaci
on informan esta decisi
on (*):

Castillo, J.G. (ESPOL)

Econometra II

Noviembre 26, 2015

11 / 23

Vectores Autoregresivos-VAR
Ejemplo: La inflacion, la oferta monetaria y la tasa de interes.

Castillo, J.G. (ESPOL)

Econometra II

Noviembre 26, 2015

12 / 23

Vectores Autoregresivos-VAR
Estimemos el modelo: VAR(IPC , M1, spread)

Castillo, J.G. (ESPOL)

Econometra II

Noviembre 26, 2015

13 / 23

Vectores Autoregresivos-VAR
Resultados: Que podemos concluir de la dinamica de este proceso?

Castillo, J.G. (ESPOL)

Econometra II

Noviembre 26, 2015

14 / 23

Vectores Autoregresivos-VAR
Resultados: Si observamos los residuos?

Castillo, J.G. (ESPOL)

Econometra II

Noviembre 26, 2015

15 / 23

Vectores Autoregresivos-VAR
Resultados: Si observamos los tests de Raz Unitaria? (ADF, t and drift)

Castillo, J.G. (ESPOL)

Econometra II

Noviembre 26, 2015

16 / 23

Vectores Autoregresivos-VAR
Resultados: Obtenemos la D1 y testeamos ADF (t and drift)

Castillo, J.G. (ESPOL)

Econometra II

Noviembre 26, 2015

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.

Castillo, J.G. (ESPOL)

Econometra II

Noviembre 26, 2015

18 / 23

Vectores Autoregresivos-VAR
Resultados: Estimamos nuevamente el modelo corrigiendo los problemas
descritos.

Castillo, J.G. (ESPOL)

Econometra II

Noviembre 26, 2015

19 / 23

Vectores Autoregresivos-VAR
Resultados: Obtenemos las Funciones de Impulso Respuesta

Castillo, J.G. (ESPOL)

Econometra II

Noviembre 26, 2015

20 / 23

Vectores Autoregresivos-VAR
Resultados: Obtenemos las Funciones de Impulso Respuesta

Castillo, J.G. (ESPOL)

Econometra II

Noviembre 26, 2015

21 / 23

Vectores Autoregresivos-VAR
Modifique la definicion del impulso: varias alternativas

Castillo, J.G. (ESPOL)

Econometra II

Noviembre 26, 2015

22 / 23

Vectores Autoregresivos-VAR
Modifique la definicion del impulso: varias alternativas

Castillo, J.G. (ESPOL)

Econometra II

Noviembre 26, 2015

23 / 23