ESTADISTICA ESPAOLA

Vol. 33, Nm. 126, 1991, pgs. 165 a 181

Causalidad de Granger en modelos

multivariantes de series temporales
por
F. JAV I E R TR I V EZ
Dpto. de Anlisis Econmico
Universidad de Zaragoza

RESUMEN
En el presente trabajo se generaliian al marca multivariante
de series temporales dos teoremas, enunciados por el autor para
el marco bivariante, relativos a las condiciones equivalentes de
(no) causalidad de Granger (unidireccional e instantnea). La
influencia que en dichos teoremas puede tener el rgimen de
identificacin economtrica supuesto es, asmismo, anatizada.
Palabras clave: Causalidad de Granger, Causalidad unidireccional, Causalidad instantnea, Modelos multivariantes de series
temporales.
Clasificacin A MS: 6 2 P 2 0, 9 0 A 2 0.
1.

INTRODUCCION

En un reciente artculo, Trvez (1991 ^ , se citaban corno sucesos ^bsicos

de causalidad (en el sentido de Granger, 1969 y 1980} en un contexto
bivariante los siguientes: a) y(no) causa a x; b} x (no) causa a y, y c) (no)
existe causalidad instantnea entre x e y. A partir de estos sucesos bsicos,
podamos definir el feedback (cuando y causa a x y x causa a y) y la (no)
causalidad en sentido estricto, cuando una variabte (no) causa a otra y,
adems, (no) se da causalidad instantnea entre ellas.

t:s^r .^r^t^ t ic .t Es^^^tic^^.^^

I bf^

La Caracterizacin de estos sucesas bsicos, que podemos resumir en

^no) causalidad de una varidble hacia otra y(no) causalidad instantnea
entre dos variables, se concretaba en los Teoremas 1 y 2 del artculo
mencionado, Cuando generalizamos el cas0 bivariante ai multivariante; esto
es, pasamos de considerar un canjunto de informacin It que incluye slamente los valores de dos variabies, a considerar que dicho con ^ unto /t se
compone de la informacin suministrada por los valores de m variables (z,,
z2, ..., zm), podernos establecer diferentes relaciones de causalidad entre
todas estas variables.
Una primera aproximacin a la causalidad en el marco multivariante
consiste en determinar fas relaciones de causalidad entre bloques de variables; esto es, enunciar definiciones de Ino1 causalidad vectorial, de forma
anloga a como lo hacen, entre otros, Caines 11976^, Caines y Seth
(1979) y Tjr^stheim (1981 j. Esta aproximacin es la que desarrollamos en
esta nota, enunciando Teoremas similares a los del traba ^ o citado. Partiremos para ello, por conveniencia de notacin, de expresiones anlogas a las
descritas para el M BST, pero considerando que los elementos de las matrices autorregresivas y de medias mviles son ahora matrices de polinomios
y que donde antes tenamos variables ahora tenemos vectores de variables.
Ver, para una mayor concrecin, el Apndice.

La estructura de esta nota es como sigue: en las secciones segunda y

tercera se caracterizan, respectivamente, los sucesos bsicos de (no) causalidad vectorial unidireccional e instantnea para un rgimen de identificacin dado; la influencia que dicho rgimen de identificacin puede tener
sobre las condiciones de (no) causalidad se analiza en la seccin cuarta; el
trabajo finaliza con las conclusiones ms relevantes.

2.

CARACTERIZACIONES DEL SUCESO BASICO DE ^NO)

CAUSALIDAD VECTORIAL UNIDIRECCIONAL

Paralelamente a lo que se ha hecho para el caso bivariante, podemos en

aplicar
el marco del modelo multivariante de series temporales (MMST),
^
directamente el concepto de no causalidad vectorial a partir de la forma
reducida de dicho modelo, enunciando que el vector de variables y no
causa al vector de variables x si:

rI2,(L) = 0

Al igual que en el caso bivariante, al analizar la causalidad vectorial en el

marco multivariante se ha solido caracterizar la misma en trminos de los
parmetros estructurales del MMST; en concreto, a partir de sus represen-

C'Al.1SA1vl[^AD [^E GRAN(;FR EN MODFLOS MULTIVARIAN^TES DE SERIFS TEti1PORALES

Ifi%

taciones autorregresivas o de medias mviles (vanse Caines y Chan,

1975, Caines, 1976, Caines y Sethi, 1979, Tj^stheim, 1981, Tj^stheim y
Paulsen, 1982, y Hsiao, 1982) as como de su representacin mixta ARMA
(Osborn, 1983). Sin embargo, el anlisis de la causalidad a partir de las
relaciones entre las innovaciones no se ha considerada en la literatura
referida a este tema, como consecuencia de la complejidad que conlleva al
trabajar con dicho tipo de relaciones. En concreto, la crtica de Maravall
(1981) acerca de la forma de modelizar series temporales mltiples propugnada por Haugh y Box (1977), ha sido aceptada con carcter general.
As, el propio Box en un trabajo de colaboracin (1 ^ , reconoce que el
trabajar con las innovaciones parece poco satisfactorio. Ver tambin Tiao y
Box (1981).
Debe tenerse en cuenta que, para caracterizar la (no ^ causalidad vectorial
en trminos de ios parmetros estructurales del MMST; esto es, referida a
las formas autorregresivas, de medias mviles y autorregresiva-rnedias mviles de dicho modelo multivariante, se precisa que este modelo est
identificado economtricamente. Adoptando unas restricciones de identificacin paralelas a las supuestas en el caso bivariante -`^2f(a) = C ._ ^12 = 0
en (19), Co = Ef2 = 0 en (15) y`^21(o) = E,2 = 0 en (18) - puede enunciarse el
siguiente Teorema;

TFOREMA 1,: EI vector de variables y no causa al vector de variables x si y

^
^
slo si se dan las siguientes condiciones equivalentes:
^

(aj

I121(L) = 0

(by

C(L) = o

(cj ^2,(L) = 0
d ^

(`Y22(^)-`^z^(LI`Y;,(L)-^^i2(L))^'`^^^(L)`^;,(L)-r A*(L)-C*(L))=C)

PRUEBA :
(a^: Se da directamente, generalizando la definicin de no causalidad de
y hacia x que puede verse en Granger (1969).
(b):

A partir de (21) y(24) se cumple:

TI2f(L) = v ^ _(I_CoBa)-' [CoA(L) + C(L ^ ] = o

y si se introducen las restricciones de identificacin en (2.1) se obtiene:

C( L) = a, pero como Co = o, se cu mple: C( L) = o.

(1)

Tiao, Box, G rupe, Hudak, Bell y Chang (1979).

(2.1)

^ 6$

ESTADISTiC'A ESPAOLA

(c}:

Se deduce a partir de (b}, teniendo en cuenta (5}

(dj:

A partir de (9), ( 10} y(12} podemos escribir:

ii (Lj = - P*(o)-' ^*(o) ^*(L}-' P*(L) + I^, _
-B "' ^'`^iz(o}
^ 1
-`^2,(0) 1

`^i,(L)`Piz(L}
^2,(L)^22(L}

A*(L}

B*(L)

C* (L)

D* (L)

19

o Ik

(2.2 )
Teniendo en cuenta el rgimen de identificacin adoptado en esta seccin para el modelo (19}, C =`P22(o) _^f2 = o, (2.2) ser:
(Lj =

^>>tL)
II^, (L}

^^^(L)
rI22(L}

_-

^ B
o I

`^;,(L)-'+`Pi,(L}-'^i2(L}.1^(L}`^2^(L}`^`;,(^}-^

A*(L)

B*(L}

C*(L)

D*(L)

-`^iz(O)
I
o

_^^^(L)-^^ri^(L}J*(L}
J*(L)

_J*^L}`^,i^(L)`^,ir(L}-^
.

# 19 0

(2.3 )

0 Ik

donde:
J*(L) _ (`^zz(L) - ^2^(LI`Yi,(L.)-^^izCL) 1-^
operando en ( 2.3) se obtiene:
^^^(L) _ (`^2^(L)-`^2^(L)`^;,(L)-^y^12(L) )-^(^2^(L)^^^(L}-rA*(L)-C*(L) )

(2.4)

As pues, la condicin (a} de no causalidad de y hacia x, Ii^, ( L) = 0,

implica que la parte derecha de ( 2.4) sea igual a cero, siendo sta la
condicin ( d) dei Teorema 1.
Debe observarse que, anlogamente a lo que suceda en el caso bivariante, en la representacn ARMA, C*(L} _`^22(L} = 0 ser una condicin suficiente de no causalidad, pero no necesaria.

Por otra parte, las condiciones (b) y(c) del Teorema 1 coinciden con las
enunciadas por Hsiao (1982) en su Teorema 1, el cual establece: y no
causa a x si y slo si se dan las siguientes condiciones equivalentes:

169

CAl.1SALIDAD DE GRANGER EN MODELfJS MULTIVARIANTES DE SERIES TEMPORALES

(r) el operador de medias mviles `^(L) es triangular superior por bloques ( esto es, `^2f ( L) = 0).
(ii) el operador autorregresivo P(L) es triangular superior por bloques
lesto es, C( L) = O).

3.

CARACTERIZACIONES DEL SUCESO BASICO DE (NO)

CAUSALI DAD VECTO RIAL INSTANTAN EA

Eri cuanto al suceso de no causalidad instantnea, la generaliiacin de la

definicin establecida para el caso bivariante al multivariante se concreta
en los siguientes trminos: el vector de variables y no causa instantneamente al vector de variables x si:

52,2 = o
Considerando las restricciones de identificacin supuestas en la seccin
anterior, podemos establecer en el marco multivariante el siguiente
Teorema:
TEOREMA 2: EI vector de variables y no causa instantneamente al vectar
de variables x si y slo si se dan las siguientes condiciones equivalentes:

(aj 5^,2 = 0
(b ^

Bo= 0

(c)

`^,2(0) = 0

(d)

Bo - ^ i2(O) _

PRUEBA :
ja): Se deduce directamente a partir de la definicin de no causalidad
vectorial instantnea.

(b) Desarrollando ( 23), teniendo en cuenta (24), se obtiene:

5^,2 = { (I+Bo(I-CoBo)-^Co) ^^^ + Bo (I_CoBQ)-^ ^r^ } C^o(I-B^oC'o)^' +
+ { II+Bo(I-CoBo)^'Co) ^^2 + Bo (I-CoBo)^' ^zz } (I-g"oC'o)-^
Esta expresin se simplifica con las restricciones impuestas por la identificacin, siendo igual a:
^12 ^ B o ^22

( 3. 1 )

ESTADISTICA ESPAOLA

(3.2)

Por ^o cual, S112 = o--^ Bo ^22 = o

y, como ^ZZ es una matriZ definida positiva, entonces {3.2) implica:
Bo-o
(cj: La expresin {5) cuando L^ o es igual a:

-Bo ^ I+`^f2(o)C!-`^2,(0)`^ ^z(o} }^'`^^^(o)

I
i ^
-Co
( ^+^^^{o)`^^^to1 }"'`^`z^to}

`^^^{o}{i-`^^^101`^,^{o} j-^
(^-`^zr(o}`^,z(o) }-^
(3.3}

Introduciendo en (3.31 ei supuesto de identificacin ^Z,(o) = o, se

obtiene:

Bo _ -^,^to}

(3.4)

y sustituyendo (3.4) en (3.1):

t3.5)

^ ^z = -`^ ^^i o1 ^2^

(3.6}

As pues, ^`l12 =- o ^ `^`,ZCo)^22 = 0

y como ^22 es una matrii definida positiva, entonces (3.6} implica:

^,2(oi = o
(d^: La expresin (10^ para L= o es igual a:

`^(o}
o

-`^`12Co)
^22{0)

I _g
o I

-^

^ -^i2to)
I
o

I B ^;2{oj
I
o

C3. j
Pof ( 3.7 ) se cu m ple:

^^ ,2(0) _ -{B `Y;2(o) )

As pues, sustituyendo (3.8} en (3.5) se obtiene:
^>'a = { ^ o`^ia{o) ^ ^2^

por lo cual, s212 = o--^ (B-`^12Co))^22 = 0

(3.8)

CAUSALIDAD DE GRANGER EN MODELOS MULTIVARIANTES DE SERIES TEMPOFiALES

^7!

y, por ser ^22 definida positiva:

(B-`^;^(o) ) = o

4.
.

INFLUENCIAS DEL REGIMEN DE tDENTIFICACION EN LOS

SUCESOS BASICOS DE (NO) CAUSALIDAD VECTORIAL

UNIDIRECCIONAL E INSTANTANEA

Las condiciones equivalentes de (no) causalidad vectorial unidireccional y

(no) causalidad vectorial instantnea, que constituan, respectivamente, los
Teoremas 1 y 2, se han obtenido mediante la imposicin de determinadas
restricciones paramtricas, paralelas a las que consideraban para el marco
bivariante Pierce y Haugh (1977), que permitan la identificacin economtrica del modelo. En esta seccin analizaremos si los teoremas enunciados
se ven alterados caso de adoptar dos regmenes de identificacin alternativos al considerado (y que denominaremos R 1). Estos dos regmenes alternativos son anlogos a los que denominbamos como R2 y R4 en el marco
bivariante, ver Trvez ( 1991).
Ei rgimen de identificacin R2
que ha sido aplicado, entre otros, por
Caines, Keng y Sethi (1981) y Hsiao (19$2)
consiste en que la forrna
estructural coincide con la forma reducida; esto es, se identif^ca con las
restricciones:
P -. I y `^* (o) = I
en la representacin ARMA del modelo, lo cual implica que en la representacin autorregresiva se cumpla: ^

Po= I

> Bo= Co= 0

y en la de medias mviies:
^ (o) - !

> `^,2(0) _ ^21(o) = 0

La otra forma de identificacin (R3), de forma anloga a!o sealado para

el caso bivariante por Feige y Pearc (1979), consiste en sobreidentificar e^
modelo imponiendo conjuntamente las restricciones supuestas en los reg
menes R 1 y R2; esto es, se satisfacen las restricciones:

1 i2

F.STADISTICA ESPAOLA

PQ = !, ^ t o) ! ! y ^,2 = o
Po =1 y ^,2 = o
^(o)=! y ^f2-o

segn estemas interesados en la forma mixta, autorregresiva o de medias

mviles de! MMST.
A continuacin veremos cmo afectan estos regmenes de identificacin
a los teoremas enunciados en las dos secciones anteriores.
Comenzando con el Teorema 1--el cual expresa las condiciones necesarias y suficientes de la no causalidad del vector de variables y hacia ^el
no se ve
vector de variables x, adoptando el rgimen de identificacin R 1
alterado al identificar el modelo mediante R^, ni al sobreidentificarlo segn
R3 (la demostracin es directa siguiendo el mismo procedimiento que en la
prueba del Teorema 1, sin rras que reemplazar las restricciones impuestas
en R 1 por las consideradas en R2 y R3).
Este resultado permite coricluir que sea cual sea la forma de identificar
que se adopte en el MMST, mientras tanto para !a forma AR como MA del
modelo pueden obtenerse condiciones necesarias y suficientes de no causalidad unidireccional perfectamente contrastables, no se Ilega a un resultado tan satisfactorio para la representacin AR MA, dada la complejidad de
la condicin ^d^ del Teorema 1. Este es un hecho que puede contribuir a
adoptar la decisin de elegir una representacin autorregresiva o de medias
mviles para analizar la causalidad desde la forma estructural del M MST.
Adicionalmente a este motivo, Tj^stheim (1981) rechaza el trabajar con las
representaciones ARMA, debido a la ausencia de unicidad que se da en
dicha representacin, al poder generarse nuevos modelos multiplicando en
ambos ladas de la ecuacin con polinomios (matrices de polinomios) del
operador de retardas. Esta falta de unicidad no se da ni en la representacin autorregresiva ni en !a de medias mviles. Por otra parte, !a prctica
totalidad de 1as trabajos que presentan contrastes afternativos del concepto
de causalidad de Granger en el marco multivariante, parten de la representacin autorregresiva (2). Las ventajas de esta representacin frente a la de
medias mvles son, segn Hsiao (1979), las siguientes:

"Primero, computacionalmente, el ajuste de un modelo autorregresivo es

mucho ms simple que el ajuste de un modelo de medias mviies. Segundo, !as variables que genera un modelo autorregresivo son observables
(2) Caben citar !os tr3bajas de Tjwstheim (1981 ^, Caines, Keng y Sethi (1981) y Hsiao
^
(1982j.

t:'AUSAI._IDAD DE GRANGER EN MODELOS MULTIVARIANTES DE SERIES TF ^ MPORALES

^ 73

mientras que las innovaciones de una representacin de medias mviles no

son directamente observables. Tercero, la prediccin de los valores futuros
puede expresarse directamente en trminos de cantidades observadas".
Concluimos esta seccin analizando las condiciones equivalentes de no
causalidad instantnea en el caso multivariante. En el Cuadro 4.1 se presentan dichas condiciones para los tres regmenes de identificacin considerados, escribiendo en la prirnera colurnna el Teorema 2, el cual s que se
va alterado al introducir las restricciones propias del rgimen R2, bajo el
cual la condicin (a), 5212 = 0, sfamente es equivalente con ^12 - 0, lo cual
es evidente teniendo en cuenta que bajo R2 se cumple:

^>>

^^^

^2 ^

^22

^>>

^^^

^^ ^

^2^

( 4.1)

Respecto al rgimen de identificacin R3, se anula

al igual que sucede
en el caso bivariante
la posibilidad de causalidad instantnea como consecuencia de suponer a priori que, adems de las restricciones dadas en
R2, ^f2 = 0; puesto que, en este caso, a partir de (4.1) se obtiene:

S^,Z = 0
esto es, no existe causalidad instantea entre los vectores de variables y y
x.

CUADRO 4.1 CONDICIONES EQUIVALENTES DE NO CAUSALIDAD

VECTORIAL INSTANTANEA BAJO DIFERENTES REGIMENES DE
IDENTIFICACION (TEOREMA 2)

REGIMENES
IDENTIFICACION
CONDICION

R1

R2

(a)

5^12 = 0

5212 = 0

(b)

60=0

^f2 = 0

R3

(c)

`^`12(0) = 0

Ef2 = 0

(d1

B-`^; 2(0) = 0

^f2 = 0

No hay causalidad
vectorial instantnea, por definicin

174

5.

ESTADIST^IC'A ESPAOLA

CQNCLVS141'VES

Los sucesos bsicos de (no) causalidad vectoria! unidireccional e instantnea pueden caracterizarse paramtricamente mediante expresiones equivalentes, segn cul sea la forma estructural del modelo multivariante de
seres temporaies (MMST) que consideremos, para lo cual hemos de partir
de unas determ^nadas restricciones que posibiliten la identificacin del
modelo. En esta nota se han estabtecido dos teoremas, referidos respectivamente a las condiciones equivalentes de no causalidad veciorial unidireccional e instantnea, que constituyen una generaiizacin a los propuestos
en Trvez ^ 1991 } para un marco bivariante. Las influencias que el rgimen
de identificacin adoptado puede ejercer en los teoremas enunciados han
sido asmismo analizadas. La conclusin ms relevante a la que se Ilega es
que si bien el Teorema 1 permanece invariable con los dos regmenes
alternativos considerados, el Teorema 2(de no causalidad vectorial instantnea) s que sufre modificaciones relevantes segn cul sea el rgimen de
identificacin que se adopte. En concreto, si se efecta una sobreidentificacin en el modelo se est imponiendo la ausencia de causalidad vectorial
instantnea.

De esta forma se ve confirmado el papel relevante que desempea la

identificacin economtrica en el tpico de !a causalidad de G ranger, el
cual ya se haba puesto de manifiesto en los trabajos de Aznar y Trvez
t 1986 y 1988} y Trvez ( 1986 y 1991).

A PEND/CE
Sean z,r z2n ..., zrnt series temporales conjuntamente estacionaras en covarianza, puram^ente no determinsticas y, por mera conveniencia, con esperanzas matemticas iguales a cero; entonces, la FORMA DE MEDIAS
MOVILES (MA) del MMST puede expresarse:

_^(L)w^

en donde:

(1)

C'Al_;SALIDAl^ C)t: C;RAti(;E^R E^i M()DE_:l ()S !^1l't_T^11^'^1RI.^^ti"1 E^^ ()f= ^ERIt=^ _! t ti1f'()R.1t_t=^

z lt

r ^^1^

z2 r

V2r

T 1 1( L) T 12( L^

^ 75

T 1 rn( ^)

`^z,(L) ^22(L) ... ^^^,(L)

(2 )

L,

L um t .J

Zrn r ,,,,^

L`^;r,1( ^) ^mz( ^} ... ^m^,^ L) J

Los elementos ^;^(L) de la matriz ^(L) son polinomios de retardos que se

definen:

^`; ^( L ) _ - ^

^^^h1 Lh

(/,^ _ l, ...,

m)

h=o

siendo L el operador de retardos y, bajo el supuesto de normalizacin,

cumplindose:

di=j
(h) _
^ ^^
-

^d i^ j, siempre que ( ,1^ sean conjuntamente menores o iguales que g, e(i,j) sean conjunta mente mayores que g.

Bajo las mismas condiciones que deban cumplirse en el caso bivarian`^;

es decir, que la matriz de operadores de medias mviles ^-' (L) es invertible
(esto es, el determinante de `f-'(L) tiene toda^ sus races fuera del crculo
unitario), puede obtenerse la FOR MA AUTOR R EG R ES IVA (AR) del M MST:

P(L)z^ = ut
en donde:

(3}

F ^i^ ^^r^^r^^r;^ ^^ F sr^^^^^^ ^^

P( L)

P,^1 L)

....

P,,,,( L)

P21(L)

P^^(L)

....

Pzrr,(L)

P(L1 -

(4)

_ Pm, ( L)

P,,,2( L)

.... Prm( L) ]^

siendo los elementos P,^( L) de la matriz P( L) polinomios de retardos que se

definen:

Pt^(L} ; - ^

(i, j - 1, ..., m)

h^o

cumplindose que:

P,^lal _
_
0

t!i ^ j, siempre que (i,^^ sean conjuntam,ente

menores o iguales que g, e(i,^1 sean
conjuntamente mayores que g.

y dndose la relacin siguiente:

P(L) _ ^(L)-'

(5)

Si consideramos una representacin ms parsimoniosa del modelo, tendremos la FORMA MIXTA AUTORREGRESIVA - IVIEDIAS MOVILES
(AR MA) del M MST, que puede escribirse:
P*(L) z^ _ ^* (L) ut

(6i

(^Al'SALIDAC7 nE (;RANGER ^ V h1t)DFl_^S M(: LTIVr>RIAti`TF.S C)f= SF^ ftlF.^ TF 111'OR AI.F.^

177

sie^do:
P; ,( L)
P21( L)

P; 2( L ^
P221 L ^

....
....

P;,,,( L ^
P2,,,( L)

P*(L) _

(7)

P;,,(L^

P,*2(L)

`^;; (L)

^12(L) . . . .

^;m(L)

`^2 ; ( L)

^22 ( L)

^2,*( L)

. . . . Pm,,,(L ^ j .^

....

(8)

L `^mi (L) `^;,,2(L)

. . . . `1'mm(L)] J

y derivndose las representaciones AR y MA de esta forma rnixta; es decir,

cumplindose:
P(L) _ ^Y*(L)-' P*(L)

(9)

`^(L) = P*(L)^' ^N*(L)

(10)

Por ltimo, la FORMA REDUCIDA de 13) puede escribirse:

zt = rI ( L) zt + vi
donde:
I-I ;,( L)
I^I 2, ( Ll

I-I ; 2( L)
I^I 22( L)

....
....

I1;,r,( L)
I-I 2,r,( L)
_ - P(Q)-' P(^)

1^ m,( L)

siendo P( L) = P( L) - P( O)

I1;r,2( L)

.... I7;,,,,,( L) ] J

(12)

17K

E_s^r,^ni5r^c^ F:sNAr^c^r_n,

si t = s

E(vt

(13)

si t ^ s
siendo:
W^z ....
w^z . . . .

Wr^
Wz^

W^m
W2m

= P(o)^' E ( P(o)' )-' (14)

S2

Wmt

Wm2 ^ ^

''''

Wmm^

Particionando ahora (3), podemos escribir la forma AR del modelo de m

variables de ^a misma manera que escribiamos dicha representacin en ei
caso bivariante; esto es:

B1^1 y, -

AI L)

P ( L) ry`l =
LX^J [C( L)

D ( L )][x^]

(15)
U2r

donde A(L), B(L), C(L) y D(L) son matrices de polinomios de retardos de

orden g x g, g x k^ k x g y k x k, respectivamente; yr y xt son vectores que
incluyen las primeras g variables dei sistema y las m-g = k restantes, respectivamente. Esto es, los rdenes de yt y x^ son g x 1 y k x 1, cumplindose
queg+k=m.
Asimismo, u,t y u2^ son vectores de perturbaciones de orden g x 1 y k x 1,
respectivamente, que cumplen:

u, f
u

,
( u^s ^zs)

2t

s i t -- s

(16)

--

si t ^ s

en donde ^, que es una matriZ cuadrada de orden m, definida positiva, est

particionada en conformidad; esto es,

^>>
^^^

^-^2
^^z

417)

siendo ^ de orden gxg, ^12 de orden gx k, ^2, de orden kxg y^;22 de

orden k x k.

179

C'A('SAl lF)^1f) C)F ( ;R ^1ti(;F R F V ti1(1[)F:L(lti !^1l'I.TI^',ARI ^tiTF 5 F)F^ tiF RlF ^- 1 F!^1F'c^RA,I. F S^

La forma de medias mviles del M M ST (1) puede escribi rse:

Yt ! ^,(^)

^,t _ `^>>(^) `^^2(^)

u2r
^2^(^) `^2z(^)

Xr

u^t
uzt

(18)

donde ^( L^ , ^f2( L), ^2,(L) y^22(L) son matrices de polinomios de retardos

de orden g x g, g x k, k x g y k x k, respectivamente.
La forma mixta ARMA del MMST, (6), puede expresarse mediante:
A*(L) B*(L)
C*(L) D*(L)

yt
x^

^r ^(L) ^i^(L)

V^r

! `^z ^ ( ^) `^z^( ^)

Uzr

(19)

cumplindose, convenientemente relacionadas, las expresiones (9) y(10)

A partir de la forma AR, (15), puede obtenerse la forma reducida del
MMST:

+ ^^ t
^zt

yt
Xt

y` - II ( L)
Xt

(2^0)

en donde:

_n^) _n,2(^)
^211 L)

_ _ ^ _go -^ ;^(^) B(^)

(21)
-Co ^

^22( LI

C(^) D( L)

cumplindose:
E

^^t

S2

si t=s
22)

(^^s ^ZS).

VZt

si t^ s

y siendo S^ una matriz m x m igual a:

S^ =

^>> ^^2
5^2, 5^22

i
-Bo
-Co I

-^

^ i -Bo
-C^ I

(23)

donde 52,,, 5^12, 522, y 5^22 son matrices de rdenas g x g, g x k, k x g y k x k,

respectivamente.

Adems, por la regla de la inversin particionada, se cumple:

_Bo

-C a

-^^

I+Bo(f-CoBo)-^Co

Bo(i_Cogo)-^

(I-CoB )-'C a

(I-C oB v)-'

24

k^S^1^^^[)IST^I(_'r1 F^51^'rltit)l_,A

REFEREtVICIAS B18LIQGRAFICAS
AZNAR, A. y F. J. TR^vEZ (1986}. "Causaldad, exogeneidad e dentificacin".
Presentado al lX Simposio de Anlis^^ Econdmico. Barcelona, 29 Septiembre - 1 Octubre.
AZNAR, A. y F. J. TRIVEZ (1988): "Re^aciones entre causalidad, exogeneidad
y predetermineidad". Estadistica Espaola, n. 1 17, 51-69.
CAINES, P. E. (1976): "Weak and Strong Feedback Free Proceses"'. I.E.E.E.
Transactions on Automatic Control AC-21, 737-739.
CAINES, P. E. y C. w. CHAN (1 975): "Feedback Between Stationary
Stochastic Proceses". I.E.E.E. Transactions on Automatc Control. AC-20,
498-508.
CAINES, P. E., C. W. KENG y S. P. SETHI (1981 ): "Causality Analysis and
Multivariate Autorregressive Modeling with an Application to Supermarket Sales Analysis'". Journal of Economic Dynamics and Contro% 3,
267-298.
CAINES, P. E. y S. P. SETHI (1979): "Recursiveness, Causalty and Feedback". I.E.E.E. Transactions on Automatic Control AC-24, 1 13-1 1 5.
FEIGE, E. L. y D. K. PEARCE (1979): "The Casual Causai Relationship
Between Money and Income: Some Caveats for Time Series Analysis".
Review of Economics arrd Statistics. 61, 521-533.

(1969}: " investigating Causal Relations by Econometric

Models and Cross-Spectral Methods". Econometrica. 37, 424-438.

G RANGER, C. W. J .

G RANGER, C. W. J. (1 980): '"Testing for Causality: A Personal Viewpoint".

Journal of Economic D yr^amics and Con trol. 2, 3 2 9- 3 5 2.
HAUGH, L. D. y G. E. P. Box (1977}: "Identification of Dynamic Regression
(Distributed Lags) Models Connecting Two Time Series"'. Jourr^al of the
Arnerican Statistical Association. 72, 121-1 30.
HS^Ao, C. (1979}: "Causality Test in Econometrics". Jourr^al or Economic
D ynamics and Control. 1, 3 21- 3 4 6.
HS^AO, C. (1 982 ): "Autoregressive Modelling and Causal Ordering of Econ o m i c `V a r i a k^ I e s' ". Jacfrnal of Ecano^r^ic D ynarr^ics and ^on tro% 4,

2 ^tJ-L^9.
MARAVALL, A. (1 981 ): "A Note on Identification of Multivariate Time Series
Models". Journal of Ecvnometrics. 1 6, 237-247.
OSBRN, D. R. (1 983): "Causality Testing and Its I mplications for Dynamic
Econometric Models". Economic Journal, 94, 82-96.

(^ \l'ti.-\l_IL)^\[) [)E- t^k \`(^E k E`\It)I)[ l t)ti 1 l L I I^ \KI \^ [ I ^ 1)[ ti[ KIf ^ I l\1['l^[l \I f ti

PIERCE, D. A. y L. D. HAUGH (1 977}: ""Causality in Temporal Systems.

Characterizations and a Survey'". Journal of Econometrics. 5, 265-293.
T^AO, G. C. y G. E. P. Box ( 1 981): "Modeling Multiple Series with Applications". Journal of tire American Statistical Association. 76, 802-$1 6.
T^AO, G. C., G. E. P. Box, M. R. GRUPE, G. B. HuuAK, W. R. BE^^ e^. CHANG
{1979): '"The Wisconsin Multiple Time-Series (WMTS-1 ) Program: A
Preliminary Guide". Department of Statistics. Madison: University of
Wisconsin.
TJ^STHEIM, D. (1981 }: "Granger-Causality in Multiple Time Series". Journal
of Econoretrics, 1 7, 1 5 7-1 7 6.

D. y J. PAULStN (1 982): "Empirical Identification of Multiple

Ti me Series". Journal of Time Series A nalysis, 3, 2 6 5-2 82.

TJR^STHEIM ,

TR^vEZ, F. J. (1 986): "Causalidad y modelos economtricc^s". Tesis Doctorai.

Departamento de Econometra. Universidad de Zaragoza.
TR^vEZ, F. J. (1 991 ): "Causalidad de G ranger en un marco bivariante".
Estadstica Espaola. En este n mero.

SUMMARY
In this work two theorems, enunciated by the author with
respect to the bivariate framework, are generalised to the tirne
series multivariate framework, relative to the equivalent conditions of Granger's (non) causality (unidirectional and instantaneous). The influence which the supposed regime of econometric identification might have on the said theorems is also
analysed.
Key words.^ Granger's Causality, Unidirectional Causality, Instantaneous Causality, Multivariate Time Series Models.

AMS class^^ficatior^.^ 62 F'2 0, 90A2 0.