CAPTULO 5 FORMAS DE LOS MODELOS

5.1 INTRODUCCIN.

Un modelo economtrico especifica una determinada estructura estocstica para un conjunto dado de variables; esta estructura se concreta en una serie de relaciones entre variables y parmetros. Los modelos se diferencian entre s atendiendo a diversos aspectos: nmero de relaciones, nmero y tipo de variables, etc,. Pero, entre estos aspectos, hay dos que tienen una mayor relevancia: la forma funcional y la estructura dinmica que incorporan. Respecto al primero, se habla de modelos lineales y no lineales y, entre los segundos, los modelos que son linealizables y aquellos que no lo son y requieren algoritmos especiales para poder estimar sus parmetros. Respecto al tema de la estructura dinmica incorporada en el modelo, una primera distincin que se contempla es entre modelos estticos y dinmicos segn que no tengan o s tengan variables con retardos incorporados. Suele ser relevante el que entre las variables retardadas se incluyan o no las variables endgenas. Tambin es relevante el tipo de variables que se incluyan, si son o no estacionarias, etc,. La consideracin de todos estos aspectos lleva a una amplia gama de modelos de los que en este captulo slo van a estudiarse un reducido grupo de los mismos. Una panormica ms amplia puede verse en el Captulo 7 de Aznar (1989). En la seccin siguiente prestaremos atencin a modelos uniecuacionales en los que slo se asigna una estructura estocstica a la variable dependiente y a sus posibles retardos. En la Seccin 3 nos ocuparemos de modelos con informacin completa en los que se especifica explcitamente una estructura estocstica para todas las variables incluidas en el modelo. En la Seccin 4 se seguir un enfoque de informacin limitada ya que slo se prestar atencin a una de las relaciones del modelo pero sin perder de vista la especificacin global del mismo. Podamos decir que se trata de una mezcla de informacin limitada e informacin completa.

207

5.2 MODELOS UNIECUACIONALES Y MULTIECUACIONALES. La forma general del modelo uniecuacional del que vamos a partir es la siguiente:
y t = i y t -i + 1i x1t -i + ... +
i =1 i =0 p m1 mk

i=0

ki x kt -i + u t

(5.1)

Se trata de un modelo lineal, dinmico con k+1 variables; suponemos que la variable y es la variable endgena y que las k variables x son las variables explicativas. Tambin suponemos que ut es un ruido blanco. Se dispone de T observaciones para todas las variables. En la literatura, este modelo recibe el nombre de modelo autorregresivo con retardos distribuidos. En lo que sigue, limitaremos nuestra atencin a un modelo ms simple que el escrito en (5.1) en el que slo haya una variable explicativa. Esto no limita la generalidad del planteamiento porque los resultados se pueden generalizar de forma inmediata. El modelo simple es: y t = i y t - i + i x t - i + u t
i =1 i =0 p m

(5.2)

En lo que respecta al anlisis, es interesante distinguir entre los multiplicadores a corto o impacto, los multiplicadores retardados y los multiplicadores totales o a largo plazo. Por el momento, supondremos que la variable x es independiente de la perturbacin del modelo. Veamos estos efectos para un caso simple en que p = 1 m = 0. El modelo es: y t = y t 1 + x t + u t en donde suponemos que < 1. Vamos a distinguir dos escenarios. En el primero, la variable x t toma el mismo valor cualquiera que sea el periodo: x t = x t +1 = x t + 2 = ..........
208

En el segundo, en el periodo t la variable experimenta un incremento de 1 unidad que se mantiene en periodos sucesivos.

x * = x t + 1 = x *+1 = x *+ 2 = .......... t t t El efecto que esta variacin mantenida de xt tiene sobre yt se mide comparando, en cada periodo que sigue al periodo en que se produce el cambio, el valor que toma yt en el primer escenario con el valor que toma en el segundo escenario. El resultado de esta comparacin puede verse en el cuadro de la pgina siguiente. A la vista del contenido de este cuadro podemos distinguir diferentes conceptos relativos a la periodificacin del efecto que tiene el cambio en x sobre la y. Limitando la atencin al periodo que se produce el cambio, hablaremos del Multiplicador Impacto definido como:
y t = x t (5.3)

Pasados L periodos desde que se produce el cambio, podemos hablar del Multiplicador Acumulado que viene dado por:
y t + L 1 L = 1 + + + L = x t 1

(5.4)

Por ltimo, podemos hablar de Efecto Total o Multiplicador a Largo Plazo que es aquel que da cuenta de todo el efecto que se produce y que definimos como: y t + = x t 1 (5.5)

209

PERIODO

ESCENARIO 1

ESCENARIO 2

* EFECTO y t + l y t + l

y t = y t 1 + x t

y * = y t 1 + x * t t = y t 1 + x t + = y t +

y t +1 = y t + x t +1 =

= y t + x t

y*+1 = y* + x*+1 = t t t = y t + + x t + = y t +1 + ( + 1)

( + 1)

y t + 2 = y t +1 + x t + 2

y*+ 2 = y*+1 + x*+ 2 = t t t

= y t +1 + (1 + ) + x t + 2 + = y t +1 + x t + 2 + 1 + + 2

1 + + 2

-----L

-----------

---------

---------

y t + L = y t + L 1 + x t + L

y*+ L = y*+ L 1 + x*+ L t t t

1 + + K + L

------

------------

----------

---------

y t + = y t + 1 + x t +

y*+ = y*+ 1 + x*+ t t t

1 + + K +

210

Generalizando para el modelo (5.2), si llamamos al multiplicador a largo plazo, podemos escribirlo como: = i
i =0 m

(5.6)

en donde:
= 1 1 i
i =1 p

(5.7)

Por lo tanto, se puede estimar y contrastar informacin sobre los tres tipos de multiplicadores, a partir de la estimacin del modelo (5.2). Pero vamos a ver que hay otras formas alternativas de escribir este modelo que facilitan la aproximacin a los tres multiplicadores comentados. Ver Wickens y Breusch (1988). Resultado 5.1: El modelo (5.2) puede escribirse equivalentemente como
p

m m i x t i (x t x t i ) + u t y t = i ( y t y t i ) + i =1 i =1 i =0

(5.8)

p Prueba: Basta con restar a cada lado de la igualdad (5.2) i i =1 m restar en el lado derecho i x t , pudindose escribir: i=0 p yt - i i =1 p y =- t i i =1
p m y + i y t - i - i t i =1 i=0

y y luego sumar y t

m m x + i x t - i + i t i=0 i=0

x +u t t

Sacando factor comn y reagrupando trminos se tiene que:

p yt 1 - i i =1
p m =i (y t - y t -i ) + i i =1 i=0

m x - i (x t - x t -i ) + u t t i =1

(5.9)

207

 p y dividiendo ambos lados de (5.9) por 1 - i i =1 Hay que destacar que el coeficiente

1 = se llega al resultado buscado. de xt en (5.8) no es otra cosa que el

multiplicador a largo plazo. Por lo tanto, si se esta interesado en el largo plazo, slo hay que estimar esta regresin y tomar ese coeficiente. Resultado 5.2: El modelo (5.2) puede escribirse equivalentemente como:
p 1

p m m 1 m y + x i t y t = j j x t -i + u t t i i = 0 j= i +1 i = 0 j= i +1 i =0

(5.10)

en donde: y t i = y t i y t i 1 Prueba: Primero, vamos a demostrar que: x t i = x t i x t i 1

p i (y t - y t -i ) = j y t -i i =1 i = 0 j= i +1
p p 1

(5.11)

Para ello, basta escribir:

i (y t - y t -i ) = 1 (y t - y t -1 ) + 2 (y t - y t - 2 ) + ... + p (y t - y t - p ) =
i =1

p p p p = i y t i y t 1 + i y t 1 i y t 2 + i =1 i =1 i=2 i=2 p + i y t 2 + ... + p y t p +1 p y t p = i =3 p p ( y y ) + ( y y t 1 i t 1 t 2 ) + ... + p y t p +1 y t p = i t i =1 i=2

llegndose a (5.11). De la misma forma, se puede demostrar:

208

 i (x t - x t -i ) =
i =1

m -1 m

i = 0 j= i +1

j x t - i

(5.12)

Sustituyendo (5.11) y (5.12) en (5.8), se llega a (5.10). Ejemplo 5.1. Moazzami (1990) plantea un modelo como el (5.2) con p = 1 y m = 2 para
analizar la relacin entre el tipo de inters nominal a corto plazo y la tasa de inflacin. El tipo de inters (Rt) es el tipo de la deuda pblica a tres meses. La tasa de inflacin, t se

calcula como:
t = Pt - Pt -1 Pt -1

en donde Pt es el ndice de precios. Los datos son anuales y corresponden al perodo 1953-1985 para Estados Unidos. El modelo puede escribirse como: R t = + R t 1 + 0 t + 1 t 1 + 2 t 2 + u t El efecto a largo plazo de este modelo viene dado por: + 1 + 2 = 0 1 con: = 1 1 (5.13)

La alternativa escrita en (5.8) puede escribirse como:

R t = * (R t R t 1 ) + ( 0 + 1 + 2 ) t 1 ( t t 1 ) - 2 ( t t 2 ) + u t

(5.14)

en donde * = . La alternativa escrita en (5.10) es ahora la siguiente:

209

R t = * (R t R t 1 ) + ( 0 + 1 + 2 ) t (1 + 2 )( t t 1 ) - 2 ( t 1 t 2 ) + u t

(5.15)

Moazzami estima el modelo (5.15) y obtiene los siguientes resultados: R t = 1.70 + 1.04 t 0.51R t 0.38 t 0.18 t 1 (3.30) (9.10) (4.15) R2 = 0.82 DW = 2.05 La conclusin de Moazzami es que la hiptesis del Efecto Fisher como una proposicin de ajuste a largo plazo est fuertemente sostenida por los datos, ya que el coeficiente de t est en torno a 1. Resultado 5.3: Modelo Con Mecanismo De Correccin De Error (MCE) El modelo (5.2) puede escribirse equivalentemente como:
p 1 p 1 y t = - j y t -i - ( y t 1 x t 1 ) + i =1 j= i +1 m 1 m + 0 (x t x t 1 ) j x t i + u t i =1 j= i +1

(2.22)

(3.17)

(5.16)

Prueba Primero, vamos a demostrar que:

p 1

p p y = j t -i j y t i = 0 j= i +1 j=1

p 1 p y + - j t -1 i =1 j=1

p j y t -i j= i +1

Para ello, basta separar el primer trmino del sumatorio, de la izquierda. Por otra parte, se tiene que:
m 1 m m m i x t - j x t -i = i x t i = 0 j= i +1 i =0 i =0
m 1

m m - j x t + j x t -1 j=1 j=1
m j x t -i j= i +1

i =1

m 1 m m j x t - i = j x t -1 + 0 (x t - x t -1 ) j= i +1 j= 0 i =1

210

Sustituyendo estas expresiones en (5.10) se obtiene:

p 1 p p y t + j y t = j y t -1 - j=1 j=1 i =1

p m j y t - i + j x t -1 + j= i +1 j= 0

m 1 m + 0 (x t - x t -1 ) j x t i + u t i =1 j = i +1

(5.17)

y como la expresin de la izquierda puede escribirse como:

p j p 1 y = y 1 + j=1 = y t = yt yt + j t t p p j=1 1 j 1 j j=1 j=1

Por lo tanto, dividimos (5.17) por , restamos a ambos lados y t 1 y resulta:

p 1 p p m y y t = j 1 t -1 j y t -i + j x t -1 + i =1 j= i +1 j=1 j= 0 m 1 m + 0 (x t x t 1 ) j x t i + u t i =1 j= i +1

Basta ahora reagrupar trminos para llegar a (5.16) Ejemplo 5.1 (Continuacin). El modelo escrito en (5.13) puede escribirse como: R t - R t -1 = + ( - 1)R t -1 + 0 t - 0 t -1 + 0 t -1 + 1 t -1 + + 2 t -1 - 2 t -1 + 2 t - 2 + u t = + ( - 1)R t -1 + 0 t - 2 t -1 + ( 0 + 1 + 2 ) t -1 + u t De donde se obtiene: R t = + 0 t - 2 t -1 + ( - 1)(R t -1 - t -1 ) + u t que es la expresin equivalente a (5.16). Hay que destacar que ahora, el coeficiente a largo plazo viene dado por el coeficiente de x t 1 en (5.16) o el coeficiente de t 1 en (5.18). (5.18)

211

Las formas comentadas son las ms relevantes en el trabajo aplicado pero no agotan toda la gama desarrollada en la literatura. En la seccin 7.1.2 de Aznar (1989) puede encontrarse una referencia a modelos como el de la Funcin de Transferencia, Retardos Distribuidos Racionales y el Modelo ARMA. Pero es importante destacar que estos modelos ya no son una forma alternativa de escribir el modelo (5.2) sino que son modelos uniecuacionales diferentes porque son consecuencia de introducir restricciones a partir de un marco general que en el texto citado se menciona. Hay que destacar que todos los desarrollos se han hecho considerando que la variable x es determinista o, si se le supone una estructura estocstica, que es independiente de la perturbacin del modelo. Esto, en principio, parece muy restrictivo y es una cuestin sobre la que volveremos en las secciones que siguen. Una primera generalizacin del modelo escrito en (5.1) puede escribirse como: A(L)yt + B(L)xt = ut (5.19)

en donde A(L) es una matriz de orden g g , cuyos elementos son polinomios de retardos de orden p. A(L) = A0 - A1L - A2L2 - ... - ApLp (5.20)

B(L) es una matriz de orden g k con elementos que son polinomios de retardos de orden p; yt es un vector de g variables; xt es un vector de k variables y ut es un vector
' ' de perturbaciones aleatorias con Eut = 0 y Eu t u 't = ii en donde ii es la delta de Kronecker y es una matriz de constantes.

Si A0 no es singular, la forma reducida puede escribirse como

y t = A 0 1 [A(L ) A 0 ]y t A 0 1 B(L )x t + A 0 1 u t

(5.21)

Cada variable endgena queda en funcin de los valores pasados de las variables endgenas y de los valores presentes y pasados de las variables exgenas. Si todas las variables son I(0) y el proceso multivariante es estacionario, entonces podemos escribir:

y t = A 1 (L )B(L )x t + A 1 u t

(5.22)

Este es el modelo llamado Forma Final-Funcin De Transferencia.

212

A partir de estas formas equivalentes del modelo estructural, tambin pueden derivarse los multiplicadores impacto, acumulados y totales. Para facilitar la derivacin, hay que tener en cuenta que el modelo uniecuacional (5.2) puede escribirse como (L )y t = (L )x t + u t en donde (L) = 1 - 1L - ... - p Lp (L) = 1 - 1L - ... - p Lp Hemos comentado que el efecto impacto vena dado por 0 , y el efecto total por: = (1) (1) (5.23)

Este efecto total slo es finito cuando (1) es diferente de cero, para lo cual es necesario que el proceso yt sea estacionario. Del mismo modo, para el modelo multiecuacional podemos decir que los multiplicadores impacto vienen dados por los elementos de la matriz B0. Los multiplicadores totales o a largo plazo vienen dados por: A 1 (1)B(1) (5.24)

Hay que tener en cuenta que para poder definir (5.24) es preciso que A(1) sea no singular, siendo A(1) = A 0 A 1 A 2 ... A p Esta matriz es de orden g g . Si el proceso multivariante es estacionario, entonces su rango ser g por lo que no ser singular. Si el proceso multivariante no es estacionario, entonces la matriz A(1) es singular y no puede hablarse de los efectos a largo plazo. En este caso, las g variables en yt sern I(1) y habr que analizar las relaciones de cointegracin existentes entre ellas y seguir el tratamiento que se comentar para modelos VAR con variables no estacionarias.

213

Pero este modelo sigue teniendo el carcter restringido ya comentado en la seccin anterior porque no se da entrada a la estructura estocstica de las variables en xt. Una primera salida a este marco restrictivo consistira en incorporar la estructura estocstica de las variables incluidas en xt. Suponiendo que el modelo que incorpora esta estructura no da entrada a nuevas variables es fcil demostrar que tras simples transformaciones el resultado al que se llega es el llamado modelo VAR que puede escribirse como:
y t = 1y t 1 + ... + p y t p + u t

(5.25)

en donde yt es un vector de g variables y 1.... p son matrices de orden g g de coeficientes, ut es un vector de g perturbaciones correlacionadas contemporneas pero sin verse afectadas por la autocorrelacin. Tambin escribiremos (5.25) como (L)y t = u t en donde: (L) = I g - 1L - ... - p Lp (5.27) (5.26)

Llegados a este punto, para determinar cmo estimar el modelo y cmo utilizarlo para derivar los diferentes efectos de unas variables sobre otras, es necesario prestar atencin al tipo de variables individualmente consideradas y a la forma que adopta el espacio de cointegracin. Para aclarar todas estas cuestiones vamos a considerar un marco muy simple con dos variables, aunque los resultados se generalizan de forma inmediata a situaciones ms complejas con mayor nmero de variables y de retardos.
5.3. MODELO VAR Y MODELO CON MECANISMO DE CORRECCION DE ERROR (MCE)

Supongamos dos variables, y1t e y2t que son integradas de orden 1, lo que denotamos con, I(1). (La definicin del concepto del orden de integracin puede verse en el Captulo 4). Consideremos la siguiente estructura: y1t = y 2t + u1t (5.28)

214

y 2t = u 2t u1t = 111u1t -1 + 112 u1t - 2 + 121u 2t -1 + 1t u 2t = 211u1t -1 + 212 u1t - 2 + 221u 2t -1 + 2t

(5.29) (5.30) (5.31)

Siendo 1t y 2t dos variables estacionarias idnticamente e independientemente distribuidas con:

0 2 1t ~ N , 1 0 12 2t
12 2 2

(5.32)

La primera relacin escrita en (5.28) corresponde a la relacin de cointegracin entre las dos variables, siendo el efecto a largo plazo de y2t sobre y1t. Utilizando (5.28), (5.29) y (5.30) se obtiene: (y1t - y 2t ) = 111 (y1t -1 - y 2t -1 ) + 112 (y1t - 2 - y 2t - 2 ) + 121 (y 2t -1 - y 2t - 2 ) + 1t de donde resulta: y1t = 111y1t -1 + 112 y1t - 2 + y 2t + (121 - 111 )y 2t -1 - (121 + 112 )y 2t - 2 + 1t (5.33)

Esta es una relacin en la que el valor de la variable y1t se explica en funcin del valor contemporneo de la variable y2t y de los valores pasados de ambas variables. A partir de (5.28), (5.29) y (5.31) se obtiene: y 2t = 211y1t -1 + 212 y1t - 2 + (1 - 211 + 221 )y 2t -1 - ( 221 + 212 )y 2t - 2 + 2t Sustituyendo en (5.33) a y2t por la expresin escrita en (5.34) se obtiene: y1t = (111 + 211 )y1t -1 + (112 + 212 )y1t - 2 + + [(1 - 211 + 221 ) + (121 - 111 )]y 2t -1 - [( 221 + 212 ) + (121 + 112 )]y 2t - 2 + 1t + 2t En forma ms compacta las expresiones (5.35) y (5.34) pueden escribirse como: y1t = 111y1t -1 + 112 y1t - 2 + 121y 2t -1 + 122 y 2t - 2 + v1t (5.36) (5.35) (5.34)

215

y 2t = 211y1t -1 + 212 y1t - 2 + 221y 2t -1 + 222 y 2t - 2 + v 2t

(5.37)

Estas son las relaciones de un modelo VAR bivariante con 2 retardos. En general, puede hablarse de un modelo VAR n-variante con p retardos. Es importante destacar que:
121 + 122 = 1 111 112 y tambin: 1 221 222 = 211 + 212 Una forma alternativa de escribir (5.36) es la siguiente:
y1t = (111 -1)y1t -1 + 112y1t - 2 + 121y 2t -1 + 122y 2t - 2 + v1t = = (111 + 112 -1)y1t -1 - 112y1t -1 + (121 + 122 )y2t -1 - 122y 2t -1 + v1t = + = - 112y1t -1 - 122y 2t -1 + (111 + 112 -1) y1t 1 121 122 y 2t 1 + v1t 1 111 112

(5.38)

(5.39)

(5.40)

De la misma forma, (5.37) puede escribirse como:

y 2t = ( 211 + 212 )y1t -1 - 212 y1t -1 + ( 221 + 222 - 1)y 2t -1 - 222 y 2t -1 + v 2t = - 212 y1t -1 - 222 y 2t -1 + 1 221 222 + ( 211 + 212 ) y1t 1 y 2 t 1 + v 2t 211 + 212

(5.41)

Teniendo en cuenta (5.38) y (5.39), las relaciones (5.40) y (5.41) pueden escribirse como:
* * y1t = 111y1t -1 + 121y 2t -1 + 1 (y1t -1 - y 2t -1 ) + v1t

(5.42) (5.43)

y 2t = * y1t -1 + * y 2t -1 + 2 (y1t -1 - y 2t -1 ) + v 2 t 211 221

Estas son las dos relaciones del modelo con mecanismo de correccin de error (MCE). Destacar que, en este modelo, todas las variables son estacionarias. Destacar tambin, y sobre este punto volveremos despus, que el modelo escrito en (5.42) y (5.43) es una versin restringida del modelo VAR escrito en (5.36) y (5.37) incorporando las restricciones escritas en (5.38) y (5.39). El modelo VAR sin restricciones puede escribirse como:
216

* * ** ** y1t = 111y1t -1 + 121y 2t -1 + 111 y1t -1 + 121 y 2t -1 + u1t

(5.44) (5.45)

y 2t = * y1t -1 + * y 2t -1 + ** y1t -1 + ** y 2t -1 + u 2t 221 211 221 211

Teniendo en cuenta (5.38) y (5.39) se ve que el Modelo MCE es una versin restringida del modelo amplio escrito en (5.44) - (5.45). En concreto, la restriccin toma la forma:
** 121 ** 111

** 221 ** 211

Pero no es la nica restriccin en la que uno puede estar interesado. Podemos, por ejemplo, considerar el caso en que la relacin a largo plazo entre las dos variables sea cero, mantenindose un efecto a corto plazo -espordico- diferente de cero. En este caso las restricciones seran:
** ** 111 = 121 = ** = ** = 0 211 221

y el modelo resultante adoptara la forma siguiente: * * y1t = 111 y1t -1 + 121 y 2t -1 + u1t y 2t = * y1t -1 + * y 2t -1 + u 2t 211 221 (5.46) (5.47)

Cabra pensar, por ltimo, en que la variable y2t no tiene ningn efecto ni a corto ni a largo plazo sobre la variable y1t de forma que el modelo puede escribirse: * y1t = 111 y1t -1 + u1t (5.48)

Hemos comentado que existen varias opciones entre las que se puede optar a la hora de dar cuenta del comportamiento seguido por la variable y1t y que todas ellas son versiones restringidas del modelo VAR escrito en (5.36) - (5.37). En concreto podra pensarse en: (i) Utilizar (5.33) (ii) Utilizar (5.36) (iii) Utilizar (5.42) (iv) Utilizar (5.46)

217

(v) Utilizar (5.48) La utilizacin de (5.33) plantea un problema especfico y es el de la dependencia de la variable explicativa contempornea, y2t, respecto la perturbacin aleatoria. Sobre este punto nos extenderemos ms en la seccin siguiente. La eleccin entre (5.36) y (5.42) (5.46) (5.48) es un problema bien conocido en econometra. Se trata de decidir si un modelo se estima con unas u otras restricciones. La estimacin restringida siempre es ms eficiente pero si no se tiene seguridad sobre el cumplimiento de las restricciones se puede incurrir en sesgos importantes. El mensaje que se obtiene de toda la literatura sobre este tema es el de que las restricciones se deben de tener en cuenta cuando se tiene la certeza de que son verdad pero que no deben de introducirse cuando hay alguna incertidumbre sobre su cumplimiento y es necesario llevar a cabo contrastes empricos para establecerlas. Si se utilizan estos contrastes se llega a los llamados "estimadores previo contraste" cuyas propiedades dependen de parmetros desconocidos que hacen difcil una evaluacin comparada. Adoptando un modelo VAR el enfoque correcto consiste en estimar todas las relaciones del modelo respetando las restricciones escritas en (5.38) y (5.39). En este ejemplo con dos variables y, como mximo, una relacin de cointegracin todava parece posible encontrar una salida operativa. Pero cuando se tienen g variables y, hasta g-1 posibles relaciones de cointegracin, la empresa de especificar, estimar y contrastar se nos antoja bastante complicada. El modelo VAR general para g variables con p retardos es el escrito en (5.25). Si suponemos que este modelo tiene r relaciones de cointegracin entonces la forma del modelo con mecanismo de correccin de error puede escribirse como: y t = * (L )y t 1 + * y t 1 + u t en donde:
* (L ) = * Li 1 i
i =1 p 1

con * = i

l = i +1

* = (1) I g

Suponemos adems que: * = '

218

en donde y son matrices de orden gxr y rango r. Las columnas de son los vectores de las relaciones de cointegracin. El tratamiento de modelos de este tipo, dentro de un enfoque de mximaverosimilitud con informacin completa ha sido abordado en trabajos como el de Phillips (1991) y Johansen (1995). Nosotros, en este trabajo, seguiremos un enfoque de mximaverosimilitud con informacin limitada asumiendo un modelo VAR semirecursivo. La idea est tomada de Phillips y Loretan (1991) a partir de una serie de modelos que llaman SEECM (Single Equation Error Correction Mechanism), introduciendo las condiciones que garantizan la recursividad.
5.4 ESTIMACION DE UN MODELO VAR SEMIRECURSIVO.

Comenzaremos con una ilustracin simple basada en el modelo escrito en (5.28)(5.31), para pasar, posteriormente, al caso ms general de g variables y una relacin de cointegracin. En (5.28) se sustituye u 1t por (5.30) de forma que se tiene: y1t = y 2 t + 111u1t 1 + 112 u1t 2 + 121u 2 t 1 + 1t (5.49)

Si se alberga alguna duda respecto a s hay o no cointegracin podemos considerar un modelo alternativo a (5.49) considerando las siguientes restricciones: =0 y
1 111 112 = 0

Introduciendo estas restricciones en (5.28)-(5.31) se llega a: * * y1t = 111 y1t 1 + 121 y 2 t 1 + 1t (5.50)

Por ltimo y tal como se ha indicado en la seccin anterior podramos dar un paso ms y suponer que la variable y 2 t no tiene ninguna influencia sobre y1t y considerar el modelo: * y1t = 111 y1t 1 + 1t (5.51)

Supongamos que disponemos de un procedimiento para comparar los tres modelos que se acaban de escribir. Entonces resulta claro que si el modelo elegido es (5.49) podemos decir que la variable y 2 t influye sobre la variable y1t y que cualquier cambio en la primera tiene un efecto permanente y a largo plazo sobre y1t .

219

y1t

Si el modelo elegido es (5.50), entonces la variable y 2 t influye sobre la variable tambin de forma permanente pero siguiendo una pauta diferente a la que ocurre

cuando hay cointegracin.. Por ltimo, si el modelo elegido es el escrito en (5.51) entonces la conclusin es que la variable y 2 t no tiene ningn tipo de relacin con la variable y1t . La cuestin es que el modelo escrito en (5.49) presenta dos serios problemas desde el punto de vista economtrico. Estos problemas son: primero, que u1t y u 2 t no son variables observadas y, segundo, que la variable y 2 t , en general, siempre est relacionada con la perturbacin del modelo. A continuacin, vamos a demostrar que los dos problemas tienen solucin y, por lo tanto, que la estrategia basada en la comparacin de (5.49), (5.50) y (5.51) es viable. Respecto al primer problema, considerar los residuos de la regresin (5.28). El residuo t-simo puede escribirse como:
u 1t = y 1t y 2 t

(5.52)

en donde es el estimador MCO de . Resultado 5.4 El vector de residuos MCO de la regresin escrita en (5.28) es asintticamente equivalente al vector de perturbaciones:
u1 u1 Prueba: A partir de (5.52) se tiene que:
u1t = y 2 t + u1t y 2 t = = y 2 t + u1t
as

(5.53)

y como es superconsistente tal como se ha visto en (2.39). entonces (5.53) sigue asintticamente. Lo que este resultado nos indica es que, para derivar las propiedades asintticas de los estimadores de los parmetros del modelo (5.49) da igual utilizar u1t que los residuos de la regresin (5.28). Por lo tanto, el primer problema queda resuelto. Respecto al segundo, vamos a presentar una serie de resultados que nos ayudarn a entender la solucin propuesta.

220

Consideraremos un modelo ms general con k+1 variables y una relacin de cointegracin que escribimos como: y t = 1x1t + L + k x kt + u t
x jt = u jt

(5.54) (5.55)

j = 1, 2, ... k

Las hiptesis que suponemos para este modelo son las siguientes: Sea v t un vector de k+1 elementos definido como: v t = u t , u '2 t

'

en donde, ahora, u 2 t es el vector de las k perturbaciones correspondientes a las x. Para vt suponemos:

(L )v t = t

(5.56)

en donde ( L) es una matriz de orden (k+1).(k+1) con elementos igual a polinomios de retardos de orden p. ( L) es tal que permite escribir:

(L ) = (L )1
en donde

s
s =0

s ij

< para todo i, j.

Para t suponemos que se trata de un vector de (k+1) variables i.i. distribuidas como (0, ) . La matriz de varianzas y covarianzas a largo plazo de vt, , ya ha sido definida en el Captulo 2 y la volvemos a escribir como:
= + + '

Correspondiendo a estos vectores de perturbaciones podemos definir los siguientes vectores de procesos Brownianos. 1

B(r ) = T
i =1 i

W (r )

en donde W( r ) es el vector de procesos Brownianos estndar ya introducido en la Definicin 2.2. Tambin se dice que B( r ) es un proceso Browniano con matriz de

221

varianzas y covarianzas igual a . Tambin podemos escribir: 1 T

v t B* (r ) = W(r )
1 2

En este caso decimos que B* ( r ) es un proceso Browniano con matriz de varianzas y covarianzas igual a . A partir de (5.56) se tiene: u t = i u t i + 1 ji x jt i + t
i =1 j=1 i =1 p k p 1

Sustituyendo en (5.54) se tiene: y t = 1 x 1t + K + k x kt + i u t i + 1 ji x jt i + t

i =1 j=1 i =1 p k p 1

o, en forma matricial:
y = X + [U X ] +

(5.57)

en donde:

y : vector de T observaciones de la variable y. X: matriz T k observaciones de los niveles de las k variables escritas en (5.55) U: matriz T p observaciones de u 1 K u p . La columna i-sima de esta matriz son las T observaciones del vector de perturbaciones de (5.54) retardado i periodos.

X : matriz T k (p 1) observaciones de los p retardos de los incrementos de las k

variables.

: vector de k parmetros. : vector de kp + p parmetros.

i : iid 0, 2 .

( )

222

El vector de estimadores MCO de los parmetros del modelo (5.57) puede escribirse como:

X' X X' U X' X U' U U' X = U' X X' X X' U X' X

X ' y U' y X' y

(5.58)

Antes de presentar las propiedades de estos estimadores veamos algunos resultados que nos sern tiles en desarrollos posteriores. Resultado 5.5 : Suponer el modelo escrito en (5.54)-(5.56) con los supuestos comentados acerca de t y ( L) . Entonces se tiene que:
(a) T 2 X '1 X 1 d B * (r ) B 2 (r ) dr = 2
1 *' 0 1 2 = 22 W2 (r ) W2' (r ) dr 22 0
1 2 1

(b) T - 2 X ' X d B * (r ) B 2 (r ) dr = 2
1 *' 0 1 1 1 2 = 222 W2 (r ) W2' (r ) dr 22 0

(c) T -1 X '1 u d B * (r ) dB 1 (r ) dr + 21 = 2
1 * 0 1 1 2 = 222 W2 (r ) dW1 (r ) w 11 + 21 0
1

(d ) T -1 X ' u d B * (r ) dB 1 (r ) + 21 + 21 = 2
1 * 0 1 2 2 = 22 W2 (r ) dW1 (r ) w 11 + 21 + 21 0
1 1

( )

(e) T -1 X '1 1 d B * (r ) dB 1 (r ) = 2
1 0
1

1 1 2 = 22 W2 (r ) dW1 (r ) 112 0

(f ) T -1 X ' 1 d B * (r ) dB 1 (r ) + 21 [1] 2
1 0 1 1 1 = 222 W2 (r ) dW1 (r ) 112 + 21 [1] 0

X 1 contiene los valores de las variables en X retardados un periodo. [1] denota

el vector columna con k unos. Prueba:

223

a) Ver apartado (i) de la Proposicin 18.1 de Hamilton (1994). b) Basta tener en cuenta que: X ' X = X '1 + u '2 (X 1 + u 2 ) = X '1X 1 + X '1u 2 + u '2 X 1 + u '2 u 2 Por ser los tres ltimos trminos O(T) resulta la equivalencia asinttica de XX y X '1X 1 . Ver el apartado (c) del Lema 2.1 de Park y Phillips (1988). c) Ver el apartado (e) de la Proposicin 18.1 de Hamilton (1994). d) T 1 X ' u = T 1X '1u + T 1u '2 u y el resultado sigue teniendo en cuenta el Apartado (c) y que tanto u2 como u son estacionarias. e) Ver apartado (f) de la Proposicin 18.1 de Hamilton (1994). f) T 1 X '1 = T 1 X '1 + u '2 1 = T 1 X '11 + T 1u '2 1 Para llegar al resultado tener en cuenta el Apartado (e) y que u2 puede escribirse como: u 2 = 21 (L ) 1t + 22 (L ) 2 t Para L=0 los elementos de la columna de 21 es el vector de k unos y la primera matriz de 22 (0) es la matriz unidad. El modelo VAR semirecursivo al que hemos hecho referencia introduce dos supuestos: (i) Independencia contempornea entre 1t y el resto de las correspondientes a u 2 t . Eso implica que 21 = 12 = 0 .

( )

( )

[(

) ]

(ii)

u 2 t no depende de los valores pasados de u 1t . Eso implica que 21 i = 0 para i = 1,2,..., p.

Las consecuencias de estos dos supuestos es que el vector de variables * Brownianas B * (r ) es independiente de la variable Browniana B1 (r ) . 2 Resultado 5.6 :
$ El subvector de estimadores MCO definido en (5.58) es $ superconsistente mientras que el subvector es consistente. Adems se cumple que:

224

) ~ (0, 2Q 1 )
asin

(5.59)

en donde Q es: U' U Q = plim T T X ' U T U' X T X' X T

(5.60)

Prueba : A partir de (5.58) se tiene que: X ' X X ' U X ' X U ' U U' X = X ' X
1

X ' 1 ' U 1 X ' 1

(5.61)

En primer lugar, a partir del Resultado 5.4, asintticamente, utilizar U es

equivalente a utilizar U, por lo que en lo que resta de prueba utilizaremos la matriz U. Utilizando el Resultado 2.3 se tiene que U ' U, U ' X y X ' X son todos ellos O(T). Utilizando el Resultado 2.4 se llega a:
1 T U' 1 d N 0, 2 Q X ' 1

)
( )

(5.62) y X ' U y X ' X son

Utilizando el Resultado 5.5 se tiene que X' X es O T 2 O(T), pudindose escribir: X'X d * *' B 2 (r ) B 2 (r ) dr T2

(5.63)

en donde B* ( r ) ya hemos dicho que es un vector Browniano con k elementos. Por otra parte, teniendo en cuenta el apartado f) del Resultado 5.5 se tiene que:
1 X '1 d 2 B* (r ) dB1 (r )' + 11[1] 0 2 T

(5.64)

por lo que X '1 es O(T).

225

Utilizando todos estos resultados y considerando la siguiente matriz de normalizacin:

TI k T = 0 0

0 T Im 0
1 2

0 1 T 2 I k 1

podemos escribir (5.61) como:

X ' X T = T X' X 2 T =

X' U U' U

X' X U' X X' X X' X

X' 1 T T1 U' 1 = X' 1 1 X' 1 T 1 T U' 1 1 T X' 1

X' U
3

T U' U T

3 2 T U' X T X' X T

Teniendo en cuenta los rdenes de probabilidad de X ' U

X'U T 2 X ' X T 2
3 3

y X ' X se tiene que:

X 'U T 2
3

Por lo tanto, la distribucin asinttica de T es la misma que la de:

1 X' 1 T 1 0 1 U' 1 Q T 1 X' 1 T

1 B * (r )B * (r )' dr 0 2 2 0

Teniendo en cuenta (5.62) y (5.64) se llega al final de la prueba.

226

$ Hay que destacar el carcter superconsistente de , ya que dada la forma que la $ matriz de normalizacin T adopta la convergencia se obtiene para T y no para
$ $ T como es el caso para el vector .

Por otra parte, hay que destacar tambin que la distribucin asinttica de $ probabilidad de T no es estndar y que como ya se ha visto en la mayora de los

casos es asimtrica y depende del valor que toman ciertos parmetros desconocidos. Como puede verse en Phillips y Loretan (1991), si el modelo VAR es semirecursivo tal como se ha definido anteriormente, entonces los estimadores definidos en esta seccin tienen las mismas propiedades que los estimadores mximo-verosmiles con informacin completa. Pero no hay que olvidar que esta coincidencia de propiedades slo se da si se cumplen los dos supuestos mencionados. El cumplimiento de los mismos habra de garantizarse mediante el uso de correlaciones cruzadas entre estimaciones de u t y estimaciones de u 2 t . Un ltimo resultado al que vamos a prestar atencin es el siguiente. Suponer que
' ' W es un vector de kp + p constantes que particionamos como: W ' = W1, W2 en donde

W1 tiene k elementos y W2 tiene kp + p k elementos. El siguiente resultado nos da la distribucin asinttica de T W ' en donde = .

Resultado 5.6 : La distribucin asinttica de

T W ' es igual a:

d ' T W' 0 , 2 W 2 Q 1 W 2

)
)

(5.65)

Prueba: Podemos escribir:

' ' T W ' = T W1 + T W2

$ Teniendo en cuenta que, como se ha demostrado en el Resultado 5.5, es

superconsistente se tiene que:

' T W ' T W2

y utilizando (5.59) el resultado queda probado.

227

5.5 ANLISIS IMPULSO-RESPUESTA.

En esta seccin, se contina con el anlisis iniciado en la Seccin 5.2 extendindolo a un marco ms general en el que se consideran diferentes tipos de impulso y se tienen en cuenta tanto modelos estacionarios como no estacionarios. Suponer un vector

y = ( y1 ....... y n ) cuyo comportamiento en el tiempo viene

determinado por un determinado PGD. Suponer tambin que en el periodo T se produce un cambio no previsto por el normal funcionamiento del PGD en una de las variables del vector, digamos la y l . Este cambio no previsto en la variable y l se transmite a la misma variable y al resto de las variables en el mismo periodo T y en periodos sucesivos. Al cambio no previsto lo llamaremos impulso y a los efectos que se derivan para todas las variables lo llamaremos respuesta. El anlisis impulso-respuesta persigue determinar los efectos que, sobre las variables del vector, tienen lugar como consecuencia de la introduccin de un impulso en una de las variables. Estos efectos dependeran de dos factores: (i). El tipo de impulso que estemos considerando. (ii). La forma que adopte el PGD. Para ilustrar lo que se pretende hacer con este tipo de anlisis consideraremos, en primer lugar, un modelo univariante muy simple que escribiremos como: y t = + y t 1 + u t en donde y son constantes y u t es un ruido blanco con varianza 2 . A partir de este modelo caben varias aproximaciones segn que < 1 estacionario- o que = 1 -no estacionario-. Adems cabe pensar en varias formas de impulso segn sea como se supone que se cambie el PGD. Siempre vamos a suponer que el impulso se concreta en un cambio en la constante del modelo; es decir, el impulso se concreta en que la constante en uno o varios periodos a partir de uno considerado como periodo base, pasa de a * ; en general, siempre supondremos que la diferencia entre las dos es una unidad. Los cambios que experimenta la variable - la respuesta se obtienen comparando cuales habran sido los valores que la variable toma en una serie de periodos si no se produce ningn cambio con los que toma despus de producirse el cambio. Distinguiremos tres tipos de impulsos. (5.66)

228

Definicin 5.1. (Impulso Uniperiodo). En el caso del Impulso Uniperiodo (IU), la constante vara en un periodo pero, en los siguientes, dicha constante vuelve a su valor original. Esta situacin puede representarse de la siguiente manera: y t = + y t 1 + u t y t = * + y t 1 + u t y t = + y t 1 + u t t = 1,2, ... , T - 1 t=T t = T + 1, T + 2, .....

Definicin 5.2. (Impulso Transitorio). En el caso del Impulso Transitorio (IT) la constante cambia en un nmero finito de periodos sucesivos y, pasados estos periodos, la constante vuelve a tomar su valor original. El proceso sera el siguiente: y t = + y t 1 + u t y t = * + y t 1 + u t y t = + y t 1 + u t t = 1,2, ... , T - 1 t = T, T + 1, ... , T + m - 1 t = T + m, T + m + l,...

Definicin 5.3. (Impulso Permanente). En el caso del Impulso Permanente (IP) la constante cambia en un periodo y el nuevo valor lo mantiene en todos los periodos que siguen. El proceso resultante es: y t = + y t 1 + u t y t = * + y t 1 + u t t = 1,2, ... , T - 1 t = T, T + 1, ...

Para determinar el efecto que, sobre el valor de la variable, se produce como consecuencia del cambio en la constante, hay que tener en cuenta que podemos escribir:
y T + h = + y T + h 1 + u T + h = = + + 2 y T + h 2 + u T + h + u T + h 1 = = + + 2 + 3 y T + h 3 + u T + h + u T + h 1 + 2 u T + h 2 = .......................................................................... = + + 2 + ... + h 1 + h y T + i u T + h i
i =0 h 1

A partir de esta expresin, podemos derivar el cambio que se produce en y T + h como consecuencia del cambio introducido en la constante. Si el periodo T se introduce un cambio tal que * = 1 y se mantiene, el efecto sobre y T + h vendr dado por:
229

1 + + 2 + .... + h 1 Si, al periodo siguiente, la constante vuelve a su valor original, entonces se producir una serie de efectos con signo contrario que podemos escribir: 1 + + 2 + ... + h 2

Por lo tanto, el efecto de un impulso uniperiodo vendra dado por: h 1 . La respuesta variar segn sea el tipo de impulso, el horizonte temporal y segn que el modelo sea o no estacionario. En los cuadros siguientes se resumen las diferentes respuestas segn los diferentes supuestos sobre los aspectos comentados.

CUADRO 5.1. Respuesta Acumulada. Modelo Estacionario ( < 1 )

Impulso Periodo Permanente

Impulso Uniperiodo Reaccin Resultado

Impulso Transitorio Reaccin Resultado

1 2
M

1
1+

M
....
M
1 + + ... + h 2

m
M

...
M
1 + + ... + h 1

...
M

-1

+ ... + m 1

h
M

h 1

1 + + ... + h l

h l +1 + ... + h 1

M
1 + ... + h + ... = 1 = 1

M
(1 + + ....)

M
= 0

M
1 + + ... +

Se ve como el efecto de un impulso uniperiodo o de un impulso transitorio slo se produce en los periodos siguientes a cuando se produce el cambio pero que conforme nos

230

vamos alejando de ese periodo el efecto se hace despreciable. Slo el impulso permanente tiene un efecto a largo plazo significativo. Las respuestas para un marco no estacionario pueden verse en el Cuadro 5.2.

CUADRO 5.2. Respuesta Acumulada. Modelo No Estacionario ( = 1 )

Impulso Periodo Permanente Reaccin Resultado Reaccin Resultado Impulso Uniperiodo Impulso Transitorio

1 2

1 2
1

... ... -1

1 2 l

M
m

M
m

M
m 1

M
h
M

M
h
M

M
h 1

M
1
M

M
hl

( )
M

l
M

...

...

En este marco no estacionario se ve que un impulso uniperiodo o transitorio tiene un efecto finito a largo plazo, mientras que el efecto a largo plazo de un impulso permanente es infinito. En este marco cabra pensar en desarrollar el anlisis tomando la primera diferencia. La respuesta a largo plazo de un impulso permanente sera finita y esto podra llevarnos a pensar que en el marco no estacionario el efecto a largo plazo de un impulso permanente es finito. Pero hay que recordar que un efecto finito sobre las primeras diferencias se traduce en un efecto infinito en los niveles de las variables por lo que se vuelve al resultado primero. Consideraremos ahora un modelo bivariante del siguiente tipo:

231

x t = + x t 1 + u 1t y t = x t + u 2 t en donde u t = (u 1t u 2 t )' se distribuyen ii N 0, 2 I 2 . Ahora el anlisis se plantea en trminos de cual es el cambio que experimenta al variar la constante que genera x en T.

y T+h

Como las variaciones que experimenta x ya han sido derivadas anteriormente, slo queda traducirlas en variaciones de y.
CUADRO 5.3. Respuesta Acumulada. Modelo Bivariante Estacionario. Periodo Permanente Uniperiodo Transitorio

(1 + )

(1 + )

M
m

M
...

M
...

M
+ ... + m 1

M
h

M
1 + ... + h 1

M
h l +1 + ... + h 1

h 1

M
(1 + + ...) = 1

M
= 0

M
0

Se ve como slo un impulso permanente en la estructura del proceso que genera x tiene un efecto a largo plazo significativo sobre y. Los otros dos impulsos slo tienen efecto a corto plazo.

232

Si pasamos a considerar un marco no estacionario los resultados pueden verse en el Cuadro 5.4.

CUADRO 5.4. Respuesta Acumulada. Modelo Bivariante No Estacionario. Periodo Permanente Uniperiodo Transitorio

2
M
m

M
...

2
M
m

M
m

M
h

h
M

l
M
l

Se ve como en este marco al impulso permanente le corresponde una respuesta no finita. Ahora la respuesta finita corresponde a impulsos Uniperiodo o Transitorio. Hay que destacar que el modelo bivariante no estacionario incorpora cointegracin. Si las variables no estuvieran cointegradas y las perturbaciones u 1t y u 2t , en lugar de ser ruidos blancos siguieran procesos autorregresivos podra pensarse en especificar un modelo en primeras diferencias que sera estacionario. Entonces, un impulso permanente introducido en la estructura generadora de las primeras diferencias de una de las variables tendra una respuesta finita a largo plazo en el incremento de la otra variable. Pero un efecto finito sobre el incremento de una variable se traduce en un efecto infinito en los niveles de esa variable.

233

A partir de aqu vamos a centrar el anlisis en modelos con variables no estacionarias considerando solamente el llamado impulso permanente que volvemos a definir como sigue Definicin 5.4. El impulso permanente se refiere a aquella situacin en la que la variable y l experimenta un cambio no previsto por el PGD en el periodo T y, en periodos sucesivos, dicha variable no experimenta ningn otro cambio no previsto. Respecto a las repuestas vamos a introducir diferentes conceptos. Definicin 5.5. Efecto Retardado, Efecto Acumulado y Efecto Total. El Efecto Retardado h periodos de la variable y l sobre la variable y j mide los efectos que un impulso en el periodo T en la variable y l produce en el valor de la variable y j en el periodo T+h. Este efecto lo denotaremos con ERl j (h) y se evala como

ERl j (h) =

y jT + h y lT

El Efecto Acumulado mide la suma de todos los efectos retardados que se han producido hasta un determinado periodo. Lo denotaremos con EAl (m) = ERl j (h) . Por ltimo, el
j h =1 m

Efecto Total es el Efecto Acumulado para m . Lo que en la literatura se llama efecto contemporaneo es el efecto retardado para h=0. Definicin 5.6. Efecto Relativo Retardado, Efecto Relativo Acumulado y Efecto Relativo Total. Estos conceptos son los mismos que los introducidos en la Definicin 5.2 pero poniendo en relacin la variacin de la variable y j con la experimentada por la propia variable y l . As, el Efecto Relativo Retardado ( ERRl j (h) ) se define como

ERRl j (h) =

y jT + h / y lT y lT + h / y lT

De la misma forma se pueden definir el Efecto Relativo Acumulado y el Efecto Relativo Total que , respectivamente, denotaremos como ERAl j (m) y ERTl j A continuacin, estudiaremos una serie de modelos para concretar y evaluar los conceptos introducidos en las definiciones anteriores. Modelo 1. y jt = y lt + u t , en donde se supone que y lt no es estocstica y que la perturbacin cumple las hiptesis comentadas en el Captulo 1.
234

Si se introduce un impulso en T en la variable y lt y se mantiene en los periodos siguientes, el valor de dicha variable en T+h experimentar el mismo cambio que en T. Por lo tanto, el efecto sobre y j en T+h puede escribirse como:

ERl j (h) = .
En lo que respecta a los efectos acumulados se tiene que:
EAl j (m) = m . ETl j = .

Para evaluar los efectos relativos, hay que tener en cuenta que, para todo h, y lT + h / y lT =1. Por lo tanto, en este caso existe coincidencia entre los dos tipos de efectos. Modelo 2. y jt = y jt 1 + y lt + u t , < 1 .La perturbacin sigue cumpliendo las hiptesis ya comentadas. Si sustituimos secuencialmente los valores retardados de y j se obtiene:

y jT + h = h +1 y jT 1 + y lT + h + y lT + h 1 + ........ + h y lT + i uT + h i
i =0

h 1

A partir de esta expresin se tiene que:

ERl j (h) = + + .......... + h . EAl j (m) = (m h) h

h =0 m

ETl = .
j

En lo que respecta a los efectos relativos tambin en este caso coinciden con los efectos calculados anteriormente por la misma razn ya comentada. Modelo 3. Modelo VAR estacionario .
y jt = jj y jt 1 + jl y lt 1 + u jt y lt = lj y jt 1 + ll y lt 1 + u lt

En forma matricial el modelo puede escribirse como:

y t = y t 1 + u t
y si sustituimos secuencialmente los retardos de y se llega a

yT + h = h yT + uT + h + uT + h 1 + ........ + h 1uT + h 1

235

Por ser estacionario el modelo, las raices de estn fuera del circulo unitario por lo que se cumple que h 0 conforme h . A partir de estos resultados se tiene que:
ERl j (h) = hjl ER lj () = 0

EAl j (m) = hjl

h =1

ETl j = hjl .
h =1

En lo que respecta a los efectos relativos podemos escribir

ERRl j (h) =
h ERl j (h) jl = h ERll (h) ll

Cabe destacar que este cociente no se puede definir cuando h tiende a infinito. Para obtener los efectos acumulados bastara sumar los cocientes correspondientes. La generalizacin al caso de n variables es inmediata. Basta con definir una matriz de orden n n y evaluar las sucesivas potencias de la misma. Modelo 4. Modelo VAR con variables integradas de orden 1 y sin cointegracin. El modelo lo escribimos como
y jt = jj y jt 1 + jl y lt 1 + u jt y lt = lj y jt 1 + ll y lt 1 + u lt

A partir de esta expresin podemos escribir

y jt 1 y 0 lt = y jt 0 y lt 0 0 jj 1 lj 0 jj 0 lj

lj y jt 1 u jt ll y lt 1 u lt + jl y jt 1 u jt ll y lt 1 u lt

o, en forma ms compacta y t* = Dy t*1 + vt* La matriz D se puede particionar como

236

D D = 11 D21

D12 D22

1 0 en donde D11 es y el resto de las matrices se ajustan a esta definicin. 0 1

Las potencias sucesivas de D pueden escribirse como

I D12 + D12 D22 D2 = 2 D22 0
2 I D12 + D12 D22 + D12 D22 D3 = 3 D22 0

En general, podemos escribir

h ( I D12 + D12 D22 + ......... + D12 D221 D11h ) = Dh = h D22 0 0 (h D12 ) (h D22 )

y para h=
I D12 ( I D22 ) 1 A B D = = 0 0 0 0

A partir de esta expresin obtenemos

(h ERl j (h) = ( D12 ) ) jl

( EAl j (m) = ( D12h ) ) jl

h =1

ETl = b jl .
j

En lo que respecta a los efectos relativos se tiene que ERRl j (h) = ERl j (h) ERll (h)

Los efectos relativos, acumulado y total, se obtienen sumando esta expresin sobre h. En concreto, el Efecto Relativo Total viene dado por: ERTl j = b jl 1 + bll

237

Modelo 5. Modelo VAR con variables integradas de orden 1 con cointegracin y causalidad unidireccional. El modelo del que partimos es y jt = y lt + u jl y lt = u lt con u lt = u lt 1 + lt

El modelo en forma de mecanismo de correccin de error es y jt = ( y jt 1 y lt 1 ) + y lt 1 + u jt + lt y lt = y lt 1 + lt Para este modelo la matriz D adopta la forma siguiente
0 0 D= 1 0

0 0 0 0

Las submatrices superiores de las sucesivas potencias de D pueden escribirse como D

( 2) 11

0 = 0 1

( 2) 12

0 + 2 = + 2 0

0 (3 D11 ) = 0 1

0 + 2 + 3 (3 D12 ) = + 2 + 3 0

Repitindolo sucesivamente para h= se tiene que

0 ( D11 ) = A = 0 1

( D12 )

0 1 =B= 0 1

A partir de estos resultados obtenemos ERl j (h) = (1 + + ...... + h )

238

EAl j (m) = (1 + )m + 2 (m 1) + ....... + m ETl j = .

Respecto a los efectos relativos se tiene que ERR lj (h) =

(1 + + ... + h ) = ; 1 + + ... + h

ERR lj () =

ERA lj (m) = m ERT lj = Un hecho importante a destacar es que,para este modelo, cualquiera que sea el horizonte temporal h el efecto unitario de un impulso en T es siempre el mismo y coincide con el coeficiente de la relacin de cointegracin. Podramos seguir con otros ejemplos pero parece ms til derivar una expresin general que nos permita conocer el efecto a largo plazo de una variable sobre otra, cualquiera que sea el modelo con cointegracin que consideremos. Suponer que y t es un vector de n variables aleatorias, todas ellas I (1).
' Particionamos este vector como: yt = y1' t , y 2t

) en donde el primer subvector tiene r

'

elementos y el segundo n-r. El sistema lo escribimos como

y1t = 2' y 2t + u1t y 2t = y 2t 1 + u 2t

en donde 2' es una matriz de orden r.(n-r) de los coeficientes de las relaciones de ' cointegracin. Para ut = (u1' t , u 2t ) asumimos que A(L) ut = + t Con = (0, 2 ) ; A(L) = con A12 p
A12i A con A0 = I n , Ai = 11i (n.n), i=1,2.p i =1 A21i A22i = A22 p =0, ajustandose la particin a la comentada anteriormente. Adems,

AL
i

suponemos que que las raices de A( L) = 0 estn fuera del crculo unitario. Finalmente, suponemos que t es una secuencia de vectores de n elementos que se distribuyen identica e independientemente con vector de medias cero y matriz de varianzas y covarianzas >0. A partir de estas expresiones es facil derivar las formas VAR y de mecanismo de ' correccin de error del modelo. Sean = ( 1' , 2 ) las esperanzas de y1t y y 2t

239

respectivamente y sean 1 j , 2l las esperanzas de y jt , y lt , respectivamente. En este caso, el Efecto Relativo Total, ERTl j viene dado por

ERTl j =

1 j 2 j

Tomando esperanzas en ambos lados del modelo de las perturbaciones se tiene que
0 A(1) 1 = 2 2

en donde 1 es el vector de esperanzas de u1t . Utilizando las s ltimas filas de este sistema se tiene

2 = B22 2
en donde
B A(1) 1 = B = 11 B21

B12 B22

B 22 = ( A22 (1) A21 (1) A11 (1) 1 A12 (1)) 1 Por otra parte, utilizando las relaciones de cointegracin, se tiene que

y1t = 2' y 2t + u1t u1t 1

de donde obtenemos

1 = 2' 2
Combinando todos estos resultados se llega a

1 = 2' B22 2
por lo que el efecto relativo total de la variable l-sima sobre la variable j-sima vendra dado por

ERTl =

2' j . ( B22 ) .l
( B22 ) ll

240

en donde 2' j . es la fila j-sima de 2' , (..) .l es la columna l-sima de la matriz entre parntesis y (..) ll es el ll-simo de la matriz entre parntesis. Utilizando esta ltima expresin podemos derivar condiciones suficientes para que el efecto a largo plazo de ylt sobre y jt coincida con el coeficiente de la primera variable en la relacin de cointegracin correspondiente a la segunda. Las condiciones son: o bien todos los coeficientes de 2' j . ,excepto el correspondiente a ylt ,son cero o bien todos los elementos de ( B22 ) .l excepto el correspondiente a la variable ylt son cero. ambas. Se ve directamente que la segunda parte de la condicin se satisface cuando A21 (1) = 0 y, al mismo tiempo, cuando todos elementos de la columna de A22 (1) correspondiente a y lt son cero excepto el correspondiente a esa misma variable.

EJERCICIOS

5.1). Considerar el siguiente modelo: y t = x t 1 + u 1t x t = x t 1 + u 2 t en donde u1 y u 2 son ruidos blancos. Se pide: a). La esperanza y varianza no condicionada de y t . b). La esperanza y varianza condicionada respecto al periodo anterior de y t . c). Especificar el vector de cointegracion y las propiedades de la perturbacin de la relacin de cointegracin. d). Obtener la forma con mecanismo de correccion de error. e). Como seran las propiedades del estimador MCO de y t sobre x t ?. Justifique la respuesta.

5.2). Considerar el siguiente modelo:

241

x t = + x t 1 + u t y t = x t + v t en donde u t , v t son ruidos blancos.Se pide:

1). Determinar el orden de integracion de las dos variables. 2). Determinar el tipo de tendencia que ambas variables tienen y derivar el orden de probabilidad de x t y t . 3). Escribir el modelo en forma de Mecanismo de Correccion de Error. 4). Derivar las propiedades del estimador MCO de .

5.3). Para un sector se ha especificado el siguiente modelo: Vt = Vt 1 + 0 GPt + 1GPt 1 + u t en donde Vt y GPt son , respectivamente, las ventas y los gastos de promocin. 1). Determinar cul sera el efecto acumulado en los dos primeros periodos y el efecto a largo plazo sobre Vt despus de introducir un shock instantaneo en GPt sabiendo que < 1. 2). Repetir 1) suponiendo que el shock es permanente. 3). Repetir 1) y 2) suponiendo que = 1 . 4). Escribir el modelo en forma de mecanismo de correccin de error especificando los parmetros que, en este modelo, reflejan los efectos a corto y largo plazo.

5.4). Suponer el siguiente modelo: y1t = 2 y 2t + 1 y 3t + u1t

y 2 t = y 2 t 1 + u 2 t

y 3t = y 3t 1 + u 3t u t' = (u1t , u 2t , u 3t ) con u1t = 111u1t 1 + 112 u1t 2 + 121u 2t 1 + 131u 3t 1 + 1t

u 2t = 2 + 221u 2t 1 + 231u 3t 1 + 2t

u 3t = 3 + 321u 2t 1 + 331u 3t 1 + 3t t es i.i. N(0, ). Se pide:

1). La forma de mecanismo de correccin de error del modelo. 2). Derivar el Efecto Relativo Total de y3 sobre y1 . ( ERT31 ) . 3). Derivar las condiciones que garantizan que el ERT 1 coincide con el coeficiente de 3 y 3 en la relacin de cointegracin.

242

4). Suponer que 111 = 112 = 0 y que 231 = 321 = 0 . Derivar en este caso el Efecto Relativo Retardado de y3 sobre y1 . Indicar bajo qu condiciones coincidira este efecto con el efecto a largo plazo.

5.5). Rudebusch(1999), utilizando 62 datos anuales del Producto Nacional Bruto ( y t ) correspondientes a USA, estima dos modelos, uno del tipo estacionario en torno a una tendencia determinista (TS ) y el otro estacionario en primeras diferencias (DS ). Los resultados que obtiene son los siguientes : (Entre parntesis aparecen las desviaciones tpicas estimadas ) Modelo TS $ y t = .819+.0056 t +1.24 y t 1 -.419 y t 2 + u t (.27) (.0019) (.121) (.121) Modelo DS $ y t =.019 +.341y t 1 + v t (.009) (.124)
$ u =.0583 $ v =.0618

Rudebusch argumenta que los dos modelos son aparentemente muy similares si atendemos a los estadsticos habituales pero que, pese a esa similitud, incorporan implicaciones muy diferentes en lo que respecta a las consecuencias que, sobre el valor de la serie, tiene la introduccin de un shock en el periodo T. Se pide: 1).Estudiar y determinar en ambos modelos cul es el efecto de un shock instantaneo en T sobre los periodos que le siguen prestando una atencin especial para el caso en que el horizonte temporal es infinito. 2). Repetir 1) en el caso en que el shock es permanente.

5.6). Considerar el siguiente modelo: y 1t = y 2 t + u 1t y 2 t = u 2 t con: 0 u 1t ~ i.i.d.N u 2t 0 Se pide:

(1) (2)

11 21

12 22

1). Estimar utilizando el estimador mximo-verosimil con informacin completa. Derivar las propiedades de este estimador: 2). Estimar utilizando el estimador MCO en la relacin (1). Derivar las propiedades de este estimador. 3). Estimar utilizando en (1)-(2) el estimador de los mnimos cuadrados en dos etapas. Derivar las propiedades de este estimador.

243

4). Comparar las propiedades de los estimadores definidos en los tres apartados anteriores. Indicar como sera el resultado de la comparacin en el caso en que: 12 = 0 .

5.7). Una compaa de seguros utiliza para la previsin de accidentes el siguiente modelo ARMA ( 1, 1) en donde y t es el nmero de siniestros: y t =.3y t 1 + u t .7 u t 1 1). Se pude afirmar que dicho modelo constituye un proceso lineal discreto? Es estacionario? Es invertible?. 2). Calcular E( y t ), los coeficientes de la funcin de autocovarianza

0 , 1, 2 , 3
y los correspondientes de la funcin de autocorrelacin,

0 , 1 , 2 , 3 .
Si y 71 = 5, y 72 tendera a estar por encima o por debajo de cero?. Justifique la respuesta. 3). Reescribir el proceso en forma autorregresiva dando valores numricos para 1 , 2 , 3 Cul es el orden de la autorregresin? 4). Dibujar, aproximadamente, el grfico de la serie y el correlograma.

5.8). Considerar los dos procesos siguientes: xt = ut y t = y t 1 + u t u t 1 1). Dibujar, aproximadamente, el grfico de cada uno de los dos procesos y el de los correlogramas respectivos. 2). Calcular su funcin de autocovarianzas cruzadas.Se puede sacar alguna conclusin respecto a la direccin de la causalidad?. 3). Calcular la funcin de autocorrelacin cruzada entre ambas series.

5.9) Considerar el siguiente modelo

y t = 2 y 2t + u1t y 2t = u 2t con u1t = 1u1t 1 + 2 u1t 2 + 1t y u 2t = 2 + u 2t 1 + 2t en donde t = ( 1t , 2t ) es un vector de ruidos blancos. Se pide:
1) Las formas VAR y de mecanismo de correccin de error del modelo.

244

2) El Efecto Retardado para h=1,2. de un shock permanente en y 2t sobre y1t .

3)

El Efecto Relativo Total de un shock permanente en y 2t sobre y1t .

245

246