P. 1
Causalidad y Exogeneidad

Causalidad y Exogeneidad

|Views: 577|Likes:

More info:

Published by: Álvaro Enrique Tobar Vergara on Dec 19, 2011
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

03/28/2014

pdf

text

original

EXOGENEIDAD

Prof. Adrián Fernández Adriá Ferná CURSO METODOS CUANTITATIVOS AVANZADOS Opción Econometría Opció Econometrí Edición 2009 Edició

CAUSALIDAD Y EXOGENEIDAD

CAUSALIDAD
CONCEPTO DE CAUSALIDAD - “CAUSALIDAD SEGUN GRANGER” . GRANGER” DEFINICION DE GRANGER PRUEBAS (TESTS) DE CAUSALIDAD
► TEST ► TEST

DE SIMS DE GEWEKE ► BLANQUEADO DE LAS SERIES

EXOGENEIDAD
PRESENTACION DEFINICIONES

EJEMPLO ENGLE ET AL.
PRESENTACION DEL MODELO NORMAL MULTIVARIANTE ANALISIS DEL EJEMPLO

1

Enfoque usual: regresar y respecto de x . se toma “dada” por la teoría económica. x se dice que “causa” a y si tomando en cuenta los causa” valores pasados de x es posible realizar mejores predicciones de y. “una extraordinaria cantidad de fe es puesta en el conocimiento a priori proveniente de la teoría económica”. según Granger. principalmente. demá Harvey: esa definición de causalidad no corresponde a definició una definición aceptable de causa-efecto en un sentido definició causafilosófico. causalidad” Ajustar un modelo de regresión es. J. Harvey. W. segú La idea de analizar los supuestos implícitos en un implí modelo econométrico. respecto de la relación entre las economé relació variables intervinientes. todo lo demás igual. se refiere al más limitado concepto de filosó má PREDICTIBILIDAD. No se cuestiona la existencia cuantificació de la relación. significació Pero una alta correlación entre dos variables no correlació experimentales no constituye evidencia de una relación relació “de causalidad” entre ellas. Enfoque tradicional o “clásico” en Econometría: definir clá sico” Econometrí el modelo de regresión en base a una teoría económica regresió teorí econó previa. teorí econó mica” CAUSALIDAD Concepto de causalidad. Por ello se prefiere “calificar” este concepto de calificar” causalidad como CAUSALIDAD “SEGUN GRANGER”. según Granger. formalizado por C. relació dada” teorí econó Siguiendo a A. lleva al concepto de CAUSALIDAD. segú Cuando no se está ante un experimento controlado no está es sencillo demostrar que una relación causa-efecto relació causaexiste. GRANGER” 2 .CAUSALIDAD Concepto de causalidad. un regresió ejercicio de cuantificación. y analizar la significación del coeficiente de x. Granger (1969).

con residuos no contemporá correlacionados con ningún valor de x (pasado o futuro). Sea U el conjunto de información. según Granger. 3 . pasada y presente. X y X# denota la información respecto de la informació variable x.CAUSALIDAD Definición de causalidad. y sea U# la informació información presente (contemporánea). x CAUSA a y si: ECM( y# |U# ) < ECM( y# |U# .X # ) x CAUSA instantáneamente a y si instantá ECM( y# |U ) < ECM( y# |U . representació Si y puede ser expresada como una función de los valores funció pasados y contemporáneos de x.X ) CAUSALIDAD Tests de causalidad: Test de Sims Si x y y tienen una representación como modelos AR. ningú => SE DICE QUE y NO CAUSA a x EN EL SENTIDO DE GRANGER. informació (contemporá De la misma forma.

La hipótesis de que y no causa a x puede ser probada hipó realizando un test F para los valores futuros de x. Se aplica un filtro ad hoc a las variables y t = Γ ( L ) x t + Φ -1 ( L ) ε t Se multiplica ambos miembros por Φ(L): Φ (L) y t = Φ (L) Γ ( L ) x t + ε t Se regresa y t respecto a y t-1..CAUSALIDAD Tests de causalidad: Test de Sims (cont. especificació La prueba de que y no causa a x se convierte en un test F cuya hipótesis nula es: hipó Ho : γ 1 = γ 2 = .. y t-p junto con m valores futuros y n+p pasados de x..) Se plantea una regresión de y respecto a los regresió valores pasados y futuros de x... y t-2. . = γ m = 0 CAUSALIDAD Tests de causalidad: Test de Geweke Partiendo de yt = Γ( L ) xt + εt Γ(L) es un polinomio de grado n + m .j + ∑ j =1 m γ j xt + j + εt n y m deben ser suficientemente grandes para evitar un error de especificación. que toma en cuenta los valores futuros de x. 4 . yt = ∑ j= n 0 δ j xt.

cruzadas caracterizan los patrones de causalidad. Estas corr. deberí ► ► CAUSALIDAD Tests de causalidad: Blanqueado de las Series Bajo la hipótesis nula de que x y y NO presentan una relación hipó relació de causalidad. como en el test de Sims.. los residuos representació de estos procesos corresponden a las series “blanqueadas”. ± 1. las correlaciones blanqueadas” cruzadas se definen como: como: r k ( x * . Una relación de relació causalidad en el sentido de Granger entre ambas variables debería reflejarse en ellos. y * ) ≠ 0 para varios k caus. Si x* y y* denotan las series “blanqueadas”. que x y y tienen una Sims. a) r k ( x * .1/T) cuando la muestra es suficientemente grande. blanqueadas” Las correlaciones cruzadas entre estas últimas pueden aportar información sobre los patrones de causalidad informació Los residuos son componentes de x y y que no pueden ser predichos desde su propio pasado. y* t ) k = 0 .. la correlación cruzada de sus residuos se correlació distribuye IN(0.k .CAUSALIDAD Tests de causalidad: Blanqueado de las Series ► Asumiendo. instan 5 . y * ) ≠ 0 para algún k > 0 x → y b) r k ( x * . representación como modelos AR (o ARMA). ± 2. corr. y * ) ≠ 0 para algún k < 0 x → y c) r k ( x * . y * ) = corr ( x* t . .

Estimaciones eficientes de los parámetros requieren que no haya pérdida de información sobre pará pé informació ellos “al condicionar” en las variables explicativas. Explicación de los precios de los transables en Uruguay. zt.UU. Por otro lado. predicción o estadí (aná predicció simulación y control (política económica). no es necesario modelizarla.UU. Artículo de (Econometrica. pará Ejemplo.).UU. Hendry y Richard (Econometrica. simulació (polí econó La posibilidad de definir un modelo uniecuacional depende de la exogeneidad de las variables explicativas. Variable explicativa: precios mayoristas en EE. Artí referencia obligado. demanda de dinero en EE. Se refieren a la exogeneidad de una variable con respecto a un parámetro o conjunto de pará parámetros en particular. Explicació Variable explicativa: precios internacionales (precios mayoristas de mayoristas EE. aún cuando pueden fijas” aú haber sido generadas por un proceso estocástico como yt estocá Engle. modelizarla. condicionar” ► ► EXOGENEIDAD Presentación ► Las variables explicativas deben ser tratadas como si fueran “fijas” en muestras repetidas.UU. por tanto. ► 6 .EXOGENEIDAD Presentación ► Concepto: Una variable es EXOGENA si el análisis se puede realizar aná condicional a dicha variable y. EE. 1983). El concepto de EXOGENEIDAD depende de la finalidad del modelo: para inferencia estadística (análisis estructural).

λ2) ] operan un corte secuencial ii) El elemento esencial de la exogeneidad débil es que la dé densidad marginal (de z t) no contiene información informació relevante sobre λ1 El planteamiento respecto de los “parámetros de interés” pará interé tiene relación con el (los) parámetro(s) de la ecuación ó á metro(s) relaci par ecuació principal. λ 2 ) La densidad condicional de yt y la marginal de zt operan un CORTE SECUENCIAL (sequential cut) en la densidad condicional D(xt /Xt-1 .λ2) . donde Xt-1 corresponde a la historia de la variable x: Xt-1 = ( xt-1... xo ) Sean los parámetros λ perteneciente a Λ pasibles de ser particionados pará en (λ1. λ ) = D ( y t | z t . Por ej. xt-2. λ 1 ) . λ). zt)’ generada por un proceso con función de densidad (y funció condicional D(xt /Xt-1 . . λ 2 )∈ λ 1 x λ 2 donde λ 1 ∈ Λ1 λ 2 ∈ Λ 2 EXOGENEIDAD Definiciones: Exogeneidad Débil Dé z t es débilmente exógena respecto de un conjunto de dé exó parámetros de interés Ψ sí y solo sí existe una partición pará interé sí partició (λ1. só pará variació (v ( λ 1 . una elasticidad 7 . X t -1 . λ1) . si y sólo si λ1.λ2 son parámetros de variación libre (variation free). funció ii) [ (yt / zt . (z t .λ2) de λ tal que: i) Ψ sea un subconjunto (o una función) solamente de λ1. y la partición es tal que permite la factorización (λ partició factorizació D ( xt | X t -1 . λ).EXOGENEIDAD ► Definiciones Sea xt = (yt .. D ( z t | X t -1 .

. Ω )  ε   2. .t   ~ IN ( µ . la densidad condicional ( yt .. σ 22) se corresponden con λ1 y λ2. zt ) factoriza de acuerdo a la definición de corte secuencial donde (β . ] = γ y t . respectivamente. En este caso: pará interé µ=  0  0   σ 11 0   Ω=  0   σ 22  11 Las varianzas condicionales son σ yσ 22 EXOGENEIDAD Exogeneidad Débil – Ejemplo modelo recursivo Dé E [ y t | z t .1 De esta forma. ] = β z t dado que ε 1t es indep de ε 2t E [ z t | y t . (γ respectivamente. .t  El parámetro de interés es β. 8 ..EXOGENEIDAD Exogeneidad Débil – Ejemplo modelo recursivo Dé yt = β zt + ε 1t zt = γyt −1 + ε 2t donde las perturbaciones Űit son independientes  ε 1..1 . σ11) definició (β y (γ .

Es decir. se exige que z no Ademá dé dependa de los valores pasados de y. lo contrario no es cierto. retroalimentació Si zt es fuertemente exógena.EXOGENEIDAD Definiciones: Exogeneidad Fuerte z t es fuertemente exógena respecto a un conjunto de exó parámetros de interés Ψ sí y solo si z t es débilmente á par interé dé exógena respecto a Ψ. λ2) Además de la exogeneidad débil. Yo . que no exista “retroalimentación” entre z y y. EXOGENEIDAD Definiciones: Super Exogeneidad zt es super exógena respecto a un conjunto de exó parámetros de interés Ψ sí y solo si z t es débilmente pará interé dé exógena respecto a Ψ y λ1 es invariante a exó intervenciones que afecten a λ2 Si bien la exogeneidad fuerte implica la causalidad según Granger. entonces y no causa a z en el sentido de Granger. segú 9 . λ2 ) = D(z t / Z t-1 . y además la función de densidad exó ademá funció marginal de z t puede ser escrita como: D(z t / X t-1 .

la condició superexogeneidad. variable zt no se puede considerar exógena a los exó efectos de la simulación y control.EXOGENEIDAD Definiciones: Super Exogeneidad La superexogeneidad permite sustentar los ejercicios de simulación y “control”. propios del análisis de políticas. Si no se cumple la condición de superexogeneidad. simulació control” aná polí En la determinación de la superexogeneidad de una determinació variable subyace la posibilidad de un cambio en el proceso generador de datos de la variable explicativa. “Crítica de Lucas” (de simulació Crí Lucas” 1976) EXOGENEIDAD 10 .

σ12) pará (β tienen variación libre.t    ~ IN ( ϑ . pará interé 11 .EXOGENEIDAD Definiciones: Exogeneidad Estricta Si ut es el término de perturbación de un modelo. γ2. Ω ) ε   2.t z t = γ 1 z t -1 + γ 2 y t -1 + ε 2. C. Engle et al muestran que estos 2 últimos conceptos no son necesarios ni suficientes para realizar inferencias válidas. El parámetro de interés es β.t  ε 1. Koopmans (1950). interé EJEMPLO ENGLE ET AL. σ11. zt (una variable té perturbació explicativa) se dice estrictamente exógena si: exó E(zt u t + i ) = 0 para todo i. Ambos conceptos corresponden a T. dado que vá no relacionan a la variable explicativa con los parámetros de pará interés. cumpliendo los requerimientos para variació que la matriz de covarianzas de los errores sea definida positiva. z t se dice predeterminada si E(zt u t + i ) = 0 para todo i ≥ 0. σ22.t   σ 11 σ 12   Ω=     σ 12 σ 22  donde las perturbaciones εit siguen el proceso: ► Se asume que los parámetros (β. γ1. Presentación del modelo Presentació ► Sea el siguiente modelo: y t = β z t + ε 1.

con tambié covarianza no nula.t   = µ =  1 E   µ   X 2. El tratamiento de este caso requiere que revisemos algunos resultados relativos a la distribución normal multivariante y a sus momentos condicionales.t  La f.t  σ σ   = Ω =  11 12  V      σ 12 σ 22   X 2.EJEMPLO ENGLE ET AL.. Normal Multivariante Sean X1 y X2 dos variables tales que: µ   X 1. Obsérvese que E[yt/zt. x 2 ) f 2 ( x2 ) 12 . Presentación del modelo Presentació ► Se deduce que yt y zt son también normales. de densidad condicional de X1 dado X2 es (sin importar el tipo de distribución): f ( x1 | x 2 ) = f ( x1 . dado que los errores no son incorrelacionados..t   2  X 1.] = β zt + E [ ε1t /zt ] El segundo término del miembro derecho es distinto de cero. ► ► ► EJEMPLO ENGLE ET AL..

Normal Multivariante Si X1 y X2 son normales. Análisis del ejemplo. exp { . Aná La forma reducida del modelo antes planteado es: yt = β γ 1 z t -1 + β γ 2 yt -1 + ε 3.ρ ) σ 22 EJEMPLO ENGLE ET AL.µ 2 2 .t   σ 11 + 2 β σ 12 + β 2 σ 22 σ 12 + β σ 22   V =      σ 12 + β σ 22 σ 22   ε 2.d.t donde: ε3t = ε1t + β ε2t Es claro que ε2t y ε3t tienen esperanza nula y varianzas:  ε 3. se tiene la siguiente f.σ 22 ) σ 11 ( 2 2 X 2 . σ 11 ( 1 .ρ ) σ 11 σ 22 x1 . θ ) = (1 .EJEMPLO ENGLE ET AL.µ 2 −2ρ σ 11 σ 22 ]} con ρ = σ 12 σ 11 σ 22 Las distribuciones marginales y la condicional son: X 1 ~ N ( µ 1 . σ 11 ) ( X 1| X 2 ) ~ N [ µ1 + ρ X 2 ~ N ( µ 2 .µ 1 2 x2 .µ 1 x 2 .ρ 2 )-1/2 1 x1 .[ ( ) +( ) 2 2 Π σ 11 σ 22 2 (1 .t   13 .µ 2 ) .t z t = γ 1 z t -1 + γ 2 yt -1 + ε 2. x 2 . conjunta f ( x1 .

σ E ( yt / zt . Análisis del ejemplo (cont....] = γ1 zt-1 + γ2 yt-1 EJEMPLO ENGLE ET AL. y sus esperanzas (condicionales sólo a los valores pasados de só ambas variables) son: µY = E[yt/zt-1.. .. tenemos que: multivariante. σ 22 1 t -1 De esa manera se obtienen los resultados presentados en Engle et al: E [ yt / zt... puede observarse que yt y zt siguen una distribución normal conjunta.] = β γ1 zt-1 + β γ2 yt-1 µZ = E[zt/zt-1. Análisis del ejemplo (cont.γ 12 i iσ 22 σ 14 . ] = b zt + c1 zt-1 + c2 yt-1 donde: b = β + 12 σ 22 σ c = ..γ z − β γ 1 z t -1 + .EJEMPLO ENGLE ET AL. Yt-1.Yt-1. ) = β γ 1 z t -1 + β γ 2 y t -1 +  12 + β σ  22   zt   σ 12 .. donde la matriz distribució de varianzas y covarianzas es la antes planteada.) Aná Aplicando los resultados encontrados respecto a la normal multivariante...) Aná A partir de la forma reducida. ..

. A partir del supuesto planteado se observa que: E [ yt / zt.) Aná σ12 = 0 Ello implica la incorrelación (independencia) entre incorrelació las perturbaciones.. Análisis del ejemplo (cont. ...) Aná La varianza condicional es: 2 σ12 V ( yt / zt . ] = β zt V [ yt / zt. Yt-1] = σ22 15 . ] = σ11 E [ zt / Zt-1... Yt-1] = γ1 zt-1 + γ2 yt-1 V [ zt / Zt-1. pero no entre yt y zt.EJEMPLO ENGLE ET AL.. σ2 ) Analicemos distintos tipos de relación entre yt y zt i) ii) σ12 = 0 σ12 = 0 y γ2 = 0 EJEMPLO ENGLE ET AL..ρ 2 ) σ 22 2 Considérese ahora el modelo de regresión: yt= b zt + c1 zt-1+ c2 yt-1+ ut donde ut ~ IN( 0 . Análisis del ejemplo (cont.) = σ = σ11 = σ11(1 .

zt es débilmente funció dé exógena respecto de β. σ11 ) λ2 = ( γ1 .) Aná σ12 = 0 y γ2 = 0 zt es fuertemente exógena respecto de β 16 . la densidad condicional de yt respecto de zt puede factorizarse como un corte secuencial con: λ1 = ( β .) Aná σ12 = 0 De esta manera. Análisis del ejemplo (cont. σ22 ) Desde el momento en que el parámetro de interés (β) es pará interé (β una función exclusivamente de λ1. Análisis del ejemplo (cont. γ2 . y los estimadores por MCO del modelo son inconsistentes. Si no se cumple la condición exó condició supuesta (σ12 ≠ 0). EJEMPLO ENGLE ET AL. zt no es débilmente exógena (σ dé exó respecto de β.EJEMPLO ENGLE ET AL.

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->