Está en la página 1de 134

Notas de Econometra II

Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


1


















Notas de Econometra II








Autores:
Dr. Antonio Caparrs Ruiz*
Dr. Oscar D. Marcenaro Gutierrez**
Profesores Titulares de Universidad
Departamento de Economa Aplicada (Estadstica y Econometra, 15)
Facultad de Ciencias Econmicas y Empresariales
El Ejido, 6
Universidad de Mlaga
Email*: antonio@uma.es
Email**: odmarcenaro@uma.es
Tfno*: 952 131163
Tfno**: 952137003
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


2
ndice

Tema 1. Anlisis clsico de series temporales .
1.1. Introduccin.
1.2. Componentes de una serie temporal. Descomposicin.
1.3. Componente estacional.
1.4. Componente tendencia-ciclo.
1.5. Prediccin.

Tema 2. Modelos de Alisado Exponencial (M.A.E.)
2.1. Introduccin.
2.2. Tipos de modelos.
2.2.1. M.A.E. simple.
2.2.2. M.A.E. doble.
2.2.3. M. de Holt-Winters (H-W) sin estacionalidad.
2.2.4. M.H-W con estacionalidad.

Tema 3. Modelos estocsticos de series temporales .
3.1. Introduccin.
3.2. M. estacionarios lineales: ARMA (p,q).
3.3. M. no estacionarios: ARIMA (p,d,q) y modelos estacionales.

Tema 4. Anlisis Box-Jenkins.
4.1. Introduccin.
4.2. Identificacin.
4.3. Estimacin
4.4. Validacin
4.5. Prediccin

Tema 5: Introduccin a los Modelos Dinmicos.
5.1. Introduccin.
5.2. Causas que generan retardos en el comportamiento econmico.
5.3. Modelo dinmico general. Modelo de retardos distribuidos (MRD).
5.4. Caractersticas de los modelos dinmicos.
Multiplicadores.
Condicin de estabilidad.
Tipos de trayectoria.
Condicin de monotona.
Retardo medio y Retardo Mediano.

Tema 6: Especificacin y Estimacin de MRD.
6.1. Introduccin.
6.2. Especificacin y estimacin de MRD finitos:
6.2.1. Sin restricciones.
6.2.2. Con restricciones.
6.2.2.1. Ponderaciones.
6.2.2.2. Polinomios.
6.3. Especificacin y estimacin de MRD infinitos.
6.3.1. Retardo geomtrico (Koyck).
6.3.2. Retardo racional general (Jorgenson).
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


3
6.4. Justificacin terica de los MRD.
6.4.1. Modelo con rigideces. Hiptesis de Ajuste Parcial (HAP).
6.4.2. Modelo con incertidumbre. Hiptesis de Expectativas Adaptativas
(HEA).
6.5. Estimacin de MDA.

Tema 7: Modelos multiecuacionales.
7.1. Introduccin.
7.2. Sistemas de ecuaciones no simultneas: Modelos recursivos y SURE.
7.3. Modelos de ecuaciones simultneas.
7.3.1. Identificacin (condiciones orden y rango).
7.3.2. Estimacin y validacin.
7.3.3. Simulacin y prediccin.

Apndice A. Alfabeto griego.
Nota sobre el multiplicador de Haavelmo.

Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


4
PREFACIO

Es importante recordar la creciente importancia de la econometra como disciplina dentro
de la economa. De hecho la necesidad de cuantificar y evaluar las teoras e hiptesis econmicas se
han convertido en una piedra angular de la economa, que cobra an ms relevancia en tiempos
convulsos para la economa como los actuales.

En los temas que siguen ampliaremos nuestro campo de visin respecto a la modelizacin
de la economa y la administracin de empresas, al tener en cuenta un aspecto esencial de esta
disciplina cientfica: el carcter dinmico del comportamiento de los agentes econmicos.

Aqu, como en cualquier otro mbito de la investigacin economtrica aplicada habr que
seguir una serie de pasos para dotar a nuestras investigaciones del suficiente rigor. Sirva como
recordatorio el siguiente esquema, en el que se resumen esas etapas fundamentales del anlisis
economtrico aplicado:

Cuadro 1.1. Etapas del anlisis economtrico aplicado.

Fuente: Maddala (2001).


En un contexto de anlisis de series temporales es importante hacer, en primer lugar, una
breve resea histrica que nos permita ubicarnos con mayor facilidad en las diferentes
aproximaciones que se han abordado ante el problema de anlisis de series temporales. En estos
procedimientos metodolgicos se pueden sintetizar en tres:

a) El anlisis clsico de series temporales (extendido en la dcada de 1920) se basa en
descomponer la serie temporal en cuatro componentes: tendencia, ciclo, movimiento estacional y
movimiento irregular. Este procedimiento pretende acotar cada uno de estos componentes
Teora Econmica
Modelo Economtrico
Test correcta
especificacin modelo
Es el modelo
adecuado?
Datos
Contrastes de hiptesis
Utilizacin del modelo
para tareas predictivas
S No
Estimacin
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


5
para, posteriormente, utilizarlo en la determinacin de la evolucin futura de la variable.
Este procedimiento implica un enfoque determinista. Con el enfoque adoptado en el anlisis
clsico se pueden obtener predicciones de los valores de la variable a partir del pasado de la
misma, sin recurrir a la informacin de otras variables (como hace el anlisis causal) para
obtener las predicciones.
Con posterioridad se desarroll la concepcin estocstica de las series temporales,
que se basa en la teora de los procesos estocsticos. Dentro de esta concepcin podemos
distinguir a su vez dos procedimientos para abordar el anlisis de series temporales, el
enfoque Box-Jenkins y el anlisis causal.

b) El enfoque Box-Jenkins implica que es un proceso estocstico el que genera la evolucin de
una serie temporal, y por tanto la cuestin esencial es determinar el proceso generador
(modelo ARIMA) de la serie temporal, que se basar en lo que los propios datos
observados para la serie temporal nos indiquen. En sntesis se trata de explicar el
comportamiento de una variable en el futuro (fin predictivo) a partir de cmo han
evolucionado los valores de esa variable en los periodos anteriores. En este contexto una
serie temporal es una realizacin de un proceso estocstico.

c) El anlisis causal, tambin llamado enfoque estructural, que explica el comportamiento
de una variable a partir de las variaciones en otras (variables causales) ms un trmino de
perturbacin aleatoria. As la evolucin futura de la variable explicada vendr determinada
por los valores en el futuro de las variables explicativas (causales). Este ser el enfoque que
abordaremos a lo largo de la ltima parte de la asignatura (modelos de retardos distribuidos
y modelos dinmicos autoregresivos).





Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


6
Tema 1. Anlisis clsico de series temporales.

1.1 Introduccin.
La asignatura precedente de Econometra, Econometra I, se ha ubicado en el campo de la
Econometra causal, es decir, una variable dependiente es explicada y predicha por su relacin con k
variables explicativas:

Yt = 1 + 2*X2t + ...+ k*Xkt + ut

Este tipo de anlisis conlleva una serie de problemas:
1) La necesidad de una teora que justifique las posibles variables explicativas que se han de
introducir en el modelo.
2) Las predicciones de la variable Y se basan en predicciones de las X
s
.
Por estas razones surge el anlisis clsico de series temporales que permite realizar predicciones
de la variable con la nica informacin procedente del pasado de la misma.

1.2 Componentes de una serie temporal.

Una serie temporal puede descomponerse en las siguientes cuatro componentes:

a) Tendencia de larga duracin o secular (Tt):
Recoge el movimiento de la variable a largo plazo, que puede ser debido a cambios
demogrficos, tecnolgicos o institucionales.

Ejemplos de variables con tendencia.
1) Paro registrado en Espaa (n personas).

Fuente: INE.
2) Edad media a la maternidad (aos).

Fuente: INE.
Paro registrado
0
500000
1000000
1500000
2000000
2500000
3000000
3500000
4000000
4500000
5000000
1
9
9
6
M
0
1
1
9
9
7
M
0
5
1
9
9
8
M
0
9
2
0
0
0
M
0
1
2
0
0
1
M
0
5
2
0
0
2
M
0
9
2
0
0
4
M
0
1
2
0
0
5
M
0
5
2
0
0
6
M
0
9
2
0
0
8
M
0
1
2
0
0
9
M
0
5
2
0
1
0
M
0
9
2
0
1
2
M
0
1
Edad media a la maternidad
26
27
28
29
30
31
32
1
9
7
5
1
9
7
7
1
9
7
9
1
9
8
1
1
9
8
3
1
9
8
5
1
9
8
7
1
9
8
9
1
9
9
1
1
9
9
3
1
9
9
5
1
9
9
7
1
9
9
9
2
0
0
1
2
0
0
3
2
0
0
5
2
0
0
7
2
0
0
9
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


7
3) Tasa de mortalidad infantil posneonatal. (n defunciones por cada mil nacidos).

Fuente: INE.

Ejemplo de variable sin tendencia.
Temperatura media en Mlaga en el mes de septiembre (grados centigrados).

Fuente: INE.
b) Movimiento oscilatorio o cclico:(Ct)
Recoge las fluctuaciones originadas por el ciclo econmico, que pueden durar entre 4 y 8 aos.

Ejemplo:
Variaciones intertrimestrales del PIB a precios de mercado (Indice de volmenes encadenados).

Fuente: INE.

b) Fluctuaciones estacionales (Et):
Son movimientos que se presentan con una periodicidad inferior al ao (mes, trimestre,
cuatrimestre,...), suelen ser repetitivos y muestran el efecto de la climatologa, la estructura
productiva o festividades.


Tasa de mortalidad infantil postneonatal
0
1
2
3
4
5
6
7
1
9
7
5
1
9
7
7
1
9
7
9
1
9
8
1
1
9
8
3
1
9
8
5
1
9
8
7
1
9
8
9
1
9
9
1
1
9
9
3
1
9
9
5
1
9
9
7
1
9
9
9
2
0
0
1
2
0
0
3
2
0
0
5
2
0
0
7
2
0
0
9
Temperatura media en Mlaga en septiembre
22
22.5
23
23.5
24
24.5
25
1
9
9
7
1
9
9
8
1
9
9
9
2
0
0
0
2
0
0
1
2
0
0
2
2
0
0
3
2
0
0
4
2
0
0
5
2
0
0
6
2
0
0
7
2
0
0
8
2
0
0
9
2
0
1
0
Variaciones interanuales (%) del PIB a precios de
mercado (ndices de volumen encadenados)
-20
-15
-10
-5
0
5
10
2001TI 2002TIII 2004TI 2005TIII 2007TI 2008TIII 2010TI 2011TIII
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


8
Ejemplo:
Indice del comercio al por menor.

Fuente: INE.

d) Variaciones irregulares (It):

Muestra aquellos factores asociados al muy corto plazo y que quedan fuera del control del
analista. Dentro de este componente tambin denominado residual, se encuentran factores
inusuales, pero fcilmente reconocibles como una catstrofe natural.

Ejemplo.
Licitacin oficial de las Administracin Pblicas (millones de euros).

Fuente: INE.
Indice de ventas del comercio minorista
0
20
40
60
80
100
120
140
2003M01 2004M07 2006M01 2007M07 2009M01 2010M07 2012M01
Licitacin oficial de las Administraciones Pblicas
0
1000
2000
3000
4000
5000
6000
7000
1995M01 1999M03 2003M05 2007M07 2011M09
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


9
Ejemplo de descomposicin de una serie en componentes:


Dado que los componentes de una serie no se observan aisladamente, se necesita aplicar hiptesis
que representen el proceso generador de los datos:

1) Hiptesis aditiva: Yt = Tt + Ct + Et + It
2) Hiptesis multiplicativa: Yt = Tt * Ct * Et * It
3) Hiptesis mixta: Yt = Tt * Ct * Et + It

A nivel prctico hay que elegir entre uno u otro esquema. Hay que considerar que en la hiptesis
aditiva los cuatro componentes son independientes, por ejemplo, la existencia de tendencia no
condiciona el efecto de la estacionalidad; mientras que en la hiptesis multiplicativa, los elementos estn
interrelacionados entre s. Para concretar si la serie temporal sigue un esquema aditivo o uno
multiplicativo, por ejemplo se puede analizar la amplitud del ciclo anual (componentes de la serie
estacional). Si sta aumenta a medida que lo hace la tendencia (las ondas se agrandan), el modelo es
multiplicativo. Si permanece constante es aditivo.






1,600,000
2,000,000
2,400,000
2,800,000
3,200,000
3,600,000
4,000,000
4,400,000
4,800,000
1996 1998 2000 2002 2004 2006 2008 2010 2012
PARO
1,500,000
2,000,000
2,500,000
3,000,000
3,500,000
4,000,000
4,500,000
5,000,000
1996 1998 2000 2002 2004 2006 2008 2010 2012
TENDENCIA
-400,000
-200,000
0
200,000
400,000
1996 1998 2000 2002 2004 2006 2008 2010 2012
CICLO
-200,000
-100,000
0
100,000
200,000
1996 1998 2000 2002 2004 2006 2008 2010 2012
ESTACIONALIDAD
-60,000
-40,000
-20,000
0
20,000
40,000
60,000
80,000
1996 1998 2000 2002 2004 2006 2008 2010 2012
IRREGULAR
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


10
Ejemplo:





1. 3. Componente estacional: Desestacionalizacin.

En este epgrafe analizamos, en primer lugar, cmo conocer mediante el uso de tasas de
variacin la evolucin de una variable a medio y largo plazo. En segundo lugar, se presenta una serie de
tcnicas que permiten desestacionalizar una serie y extraer el componente estacional de la misma.

1.3.1 Evolucin a medio y largo plazo de la variable.

Si el objetivo es conocer la evolucin de la serie sin estacionalidad, es decir, su evolucin a medio y a
largo plazo, es necesario obtener su tasa de variacin interanual. As, por ejemplo, bajo una hiptesis
multiplicativa y con datos trimestrales (Yt = Tt * Ct * Et * It), la tasa interanual se obtendra de la
siguiente forma:

T
1
4 = [(Yt Yt-4) / Yt-4] *100=
[(( Tt * Ct * Et * It)- ( Tt-4 * Ct-4 * Et-4 * It-4))/ ( Tt-4 * Ct-4 * Et-4 * It-4))*100]

Si se supone estacionalidad estable Et = Et-4, entonces:
200
400
600
800
1,000
1,200
1,400
1,600
96 98 00 02 04 06 08 10
Serie1_Hiptesis aditiva
400
600
800
1,000
1,200
1,400
1,600
96 98 00 02 04 06 08 10
SERIE2_Hiptesis multiplicativa
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


11

T
1
4 = [(Yt Yt-4) / Yt-4] *100=[(( Tt * Ct * It)- ( Tt-4 * Ct-4 * It-4))/ ( Tt-4 * Ct-4 * It-4))*100]
Con esta tasa el efecto estacional queda excluido.

Ejemplo:
















Tasas de variacin del Indice de pedidos en la industria
(2012M1-2012M6)
Tasa de variacin Tasa de variacin
intertrimestral interanual
2012M01 3.97 0.12
2012M02 0.32 -0.15
2012M03 10.77 -3.91
2012M04 -13.15 -4.21
2012M05 8.41 -3.84
2012M06 1.70 -1.67


1.3.2 Desestacionalizacin.

En este subepgrafe se presentan diversos mtodos para extraer el componente estacional de una
variable.

a) Mtodo de la razn a la media mvil.

Con este mtodo se obtienen unos coeficientes que sintetizan en un nico valor la
estacionalidad para cada periodo temporal. Y a partir de ah, poder obtener la serie desestacionalizada, es
decir, la serie sin el componente estacional.

El mtodo parte de suponer que se cumple lo siguiente:

a) La serie ha sido generada bajo una hiptesis multiplicativa:

Yt = Tt * Ct * Et * It

b) La estacionalidad es estable, no vara para mismo periodos de diferentes aos: Et=Et-4 o Et=Et-12, con
datos trimestrales y mensuales, respectivamente.

c) La tendencia y el ciclo se obtienen de forma conjunta.


Indice de pedidos en la industria
0
20
40
60
80
100
120
140
2
0
0
2
M
0
1
2
0
0
2
M
1
1
2
0
0
3
M
0
9
2
0
0
4
M
0
7
2
0
0
5
M
0
5
2
0
0
6
M
0
3
2
0
0
7
M
0
1
2
0
0
7
M
1
1
2
0
0
8
M
0
9
2
0
0
9
M
0
7
2
0
1
0
M
0
5
2
0
1
1
M
0
3
2
0
1
2
M
0
1
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


12
El objetivo del mtodo es obtener una estimacin de Et. Concretamente, el procedimiento consta de las
siguientes pasos:

1) Dada una serie Yt se estima el componente tendencia-ciclo a travs de la serie de medias mviles
centradas:

MM
c
t=Tt*Ct=
)
`

+ + + + + +
+ + + +
+ +
+ +
mensuales datos con Y Y Y Y Y
es trimestral datos con Y Y Y Y Y
t t t t t
t t t t t
, 12 / ) * 5 . 0 ... ... * 5 . 0 (
, 4 / ) * 5 . 0 * 5 . 0 (
6 1 1 6
2 1 1 2


2) Se obtiene el componente estacional e irregular (Et*It). Para ello se divide la serie original por MM
c
t :

Et*It= Yt / MM
c
t

A esta serie de valores se les denominan ndices especficos o brutos de variacin estacional y
constituyen una primera aproximacin del componente estacional.

3) Primera estimacin del componente estacional: E

j .

La diferencia entre los ndices estacionales es debida a los factores irregulares. Estos se eliminan
tomando la media aritmtica para cada una de las "m" fracciones del ao (m es cuatro con datos
trimestrales y 12 para datos anuales).
4) Normalizacin de los coeficientes: E

j.
La estacionalidad media en un esquema multiplicativo corresponde a Et=1. Por ello, para lograr que
los ndices estacionales tengan como media 1, stos han de ser normalizados. Como resultado se
obtienen los ndices generales de variacin estacional (IGVE):
IGVEj =
m
m
j
E E E
E
' '
2
'
1
'
* ... * *
, j=1,...,m
La serie desestacionalizada se obtendra de la siguiente forma: Y
d
t,j= Yt,j / IGVEj.

5) Los IGVEj fluctan por debajo y por encima de 1.

Ejemplo con la serie ndice de pedidos en la industria:

Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


13



Sample: 2002M01 2012M06
Included observations: 126
Ratio to Moving Average
Original Series: PEDIDOS
Adjusted Series: PEDIDOSSA

Scaling Factors:

1 0.985893
2 0.976118
3 1.076340
4 1.005896
5 1.040415
6 1.049747
7 1.063365
8 0.772776
9 1.045012
10 1.049583
11 1.021198
12 0.954751



Interpretacin de los IGVE:

1) (IGVEmarzo-1)*100 = (1.076-1)*100= 7.6%

La estacionalidad del mes de marzo provoca que el ndice de pedidos en la industria crezca un
7.6% por encima de su valor medio anual.

2) (IGVEagosto-1)*100 = (0.77-1)*100= -23%

La estacionalidad del mes de agosto provoca que el ndice de pedidos en la industria caiga un
23% por debajo de su valor medio anual.


b) Mtodo de la diferencia a la media mvil:

La hiptesis que subyacen tras este mtodo son las siguientes:

* La serie ha sido generada bajo una hiptesis aditiva:
60
80
100
120
140
0.7
0.8
0.9
1.0
1.1
02 03 04 05 06 07 08 09 10 11 12
PEDIDOS PEDIDOSSA IGVE
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


14
Yt = Tt + Ct + Et + It

* La estacionalidad es estable, no vara para mismo periodos de diferentes aos: Et=Et-4 (t es un
trimestre) o Et=Et-12 (t es un mes).
* La tendencia y el ciclo se obtienen de forma conjunta.

El procedimiento consta de los siguientes pasos:

1) Estimacin del componente tendencia-ciclo a travs de la serie de medias mviles centradas: MM
c
t =
Tt + Ct+ Et + It

)
`

+ + + + + +
+ + + +
+ +
+ +
mensuales datos con Y Y Y Y Y
es trimestral datos con Y Y Y Y Y
t t t t t
t t t t t
, 12 / ) * 5 . 0 ... ... * 5 . 0 (
, 4 / ) * 5 . 0 * 5 . 0 (
6 1 1 6
2 1 1 2


2) Primera estimacin del componente estacional e irregular (Et+It). Para ello se resta la MM
c
t a la serie
original, Yt,:
Et+It= Yt - MM
c
t

A esta serie de valores se les denominan ndices especficos o brutos de variacin estacional y
constituyen una primera aproximacin del componente estacional.

3) Primera estimacin del componente estacional: E

j.
Bajo la hiptesis de estacionalidad estable, la diferencia entre los ndices especficos o brutos de
variacin estacional es debida a los factores irregulares. Estos se eliminan tomando la media aritmtica
para cada una de las fracciones del ao.
3) Posteriormente se normalizan los coeficientes E

j, para que la media de todos los ndices valga 0 (valor


correspondiente a la ausencia de estacionalidad bajo una hiptesis aditiva), obtenindose los IGVEj=

m
j
j j
m E E
1
' '
/
Por ejemplo, si los datos son trimestrales:
IGVE1= E

1 -

=
4
1
'
4 /
j
j
E ; IGVE2= E

2 -

=
4
1
'
4 /
j
j
E ; IGVE3= E

3 -

=
4
1
'
4 /
j
j
E ; IGVE4= E

4 -

=
4
1
'
4 /
j
j
E
4) La serie desestacionalizada se obtendra de la siguiente forma: Y
d
t,j= Yt,j- IGVEj.

5) Los IGVEj con la hiptesis aditiva fluctan por encima y por debajo de 0.

Ejemplo con la serie ndice de pedidos en la industria:



Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


15



Sample: 2002M01 2012M06
Included observations: 126
Difference from Moving Average
Original Series: PEDIDOS
Adjusted Series: PEDIDOSSA


Scaling Factors:


1 -1.585038
2 -2.635843
3 7.158018
4 0.194009
5 3.770388
6 4.493587
7 5.706653
8 -22.41911
9 3.910828
10 4.366078
11 1.893486
12 -4.853052




Interpretacin de los IGVE:

IGVEmarzo= 7.15, en el mes de marzo la estacionalidad provoca un aumento del ndice de pedidos de
7.15 puntos con respecto a su valor medio anual.
IGVEagosto= -22.41, en el mes de agosto la estacionalidad provoca una cada del ndice de pedidos de 23
puntos con respecto a su valor medio anual.

c) Mtodo X11.

Este mtodo, al contrario que los dos anteriores, supone que el componente estacional vara de
forma estocstica a lo largo del tiempo. Se puede aplicar tanto con una hiptesis aditiva como
multiplicativa. En este caso, el procedimiento de obtencin del componente estacional no es tan sencillo,
desde un punto de vista algebraico, como en los dos casos anteriores. Por este motivo, slo nos
limitamos a sealar con el ejemplo que se presenta a continuacin como se aplicara dicho mtodo con el
programa EVIEWS 7.0.





-40
-20
0
20
40
60
80
100
120
140
02 03 04 05 06 07 08 09 10 11 12
PEDIDOS PEDIDOSSA IGVE
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


16
Ejemplo con la serie ndice de pedidos en la industria:
X11-Multiplicativo:




X11. Aditivo:


60
80
100
120
140
70
80
90
100
110
02 03 04 05 06 07 08 09 10 11 12
PEDIDOS PEDIDOSSA FACTORS
-40
-20
0
20
40
60
80
100
120
140
02 03 04 05 06 07 08 09 10 11 12
PEDIDOS PEDIDOSSA FACTORS
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


17
1.4. Componente de tendencia-ciclo

En este epgrafe se diferencian dos subepgrafes donde se muestra cmo tratar y obtener los
compenentes de tendencia y ciclo, respectivamente.

1.4.1. Componente tendencia

Un mecanismo para captar el componente de tendencia de una variable es mediante el anlisis
de regresin. En particular, se considera un modelo que relacione a la variable Y
d
t (variable
desestacionalizada) con el tiempo (si los datos son anuales, Y
d
t = Yt ):

Y
d
t = f(t) + ut

A continuacin se presentan diversas especificaciones para f(t):

a) Funcin lineal: Y
d
t = 1 + 2 t + ut, la variable t se puede construir dndole 1 al primer periodo, 2 al
segundo, y as sucesivamente. Grficamente, correspondera a series de este tipo:



2: Mide la variacin absoluta que por trmino medio experimenta la variable Y
d
t al transcurrir un
periodo, ya que:

E(Yt-1) = 1 + 2 (t-1)
E(Yt) = 1 + 2 t
E(Yt) - E(Yt-1) = 2

Prediccin
Para obtener predicciones de la variables Yt, slo se considera el componente de tendencia y el de
estacionalidad. Por ello, en primer lugar, se predice el valor desestacionalizado tras estimar el modelo de
tendencia y, en segundo lugar, se incorpora el componente estacional. Ejemplo:

Periodo t

Y
d
t

IGVEj

.
2012.09
2012.10
2012.11
.
15
16
17
.
Y
d
2012.09

Y
d
2012.10

Y
d
2012.11

.
IGVE9

IGVE10

IGVE11



70
80
90
100
110
120
130
I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV
2002 2003 2004 2005 2006 2007
Fuente: Elaboracin propia a partir de datos del INE.
Indice de pedidos en la industria (desestacionalizado)
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


18
Prediccin para 2012:12 de Yt:
- Hiptesis multiplicativa:
12
12 . 2012
^
12 . 2012
^
* IGVE Y Y
d
=
donde: 18
2
^
1
^
12 : 2012
^
+ =
d
Y




- Hiptesis aditiva:
12
12 . 2012
^
12 . 2012
^
IGVE Y Y
d
+ =


b) Funcin polinmica:

La expresin general es:

Y
d
t = 1 + 2 t + 3 t
2
+ ...+ p+1 t
p
+ ut

En la prctica uno de los valores para p ms usuales es p=2, con lo que la expresin resultante
es:

Y
d
t = 1 + 2 t + 3 t
2
+ ut

Este tipo de funcin es apropiada para la representacin grfica de una serie que presenta una
tendencia curva, con una variacin (crecimiento o decrecimiento), que no es constante sino que es
funcin del periodo considerado, por ejemplo:



Si se supone el modelo ya est estimado, se observa como la variacin de la variable con el
tiempo no es constante:
2
3
^
2
^
1
^ ^
t t Y t
d
+ + =
76
80
84
88
92
96
100
104
108
2003 2004 2005 2006 2007 2008 2009 2010 2011 2012
Fuente: Elaboracin propia a partir de datos del INE.
Indice de ventas del comercio minorista (desestacionalizado)
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


19
t
t
Y
t
3
^
2
^
^
+ =


Prediccin:
Haciendo uso del ejemplo anterior:

- Hiptesis multiplicativa:
12
12 : 2012
^
12 : 2012
^
* IGVE Y Y
d
=
donde
2
3
^
2
^
1
^
12 : 2012
^
18 18 + + =
d
Y

- Hiptesis aditiva:
12
12 . 2012
^
12 . 2012
^
IGVE Y Y
d
+ =
c) Funcin exponencial:

En ocasiones, el crecimiento de la variable no es moderado si no que parece seguir una ley
exponencial, con un ritmo de variacin de fuerte crecimiento o cada. En este caso la funcin que se
propone es:
Y
d
t = e
(1 + 2t

+ut)

El siguiente grfico es un ejemplo de este tipo de modelo:


Para estimar el modelo es necesario linealizarlo:

ln Y
d
t = 1 + 2 t + ut
Interpretacin de
^
2
:
100 * 100 *
^
2
^
^
=

d
d
t
t
Y
Y

^
2
* 100 es la variacin en trminos porcentuales que se produce en la variable dependiente cuando
transcurre un periodo temporal. Para recuperar los valores ajustados de la variable original:


)
2
(
^
2
2
^
1
^
T
e
t
d
t
t
e Y

+ +
=


1,600,000
2,000,000
2,400,000
2,800,000
3,200,000
3,600,000
4,000,000
II III IV I II III IV I II III IV
2007 2008 2009
Fuente: Elaboracin propia a partir de datos del INE.
Paro registrado
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


20
Ejemplo: Precio del barril Brendt (2002.01-2007.11) en dlares.


Dependent Variable: LNBARRISA
Method: Least Squares
Sample: 2002M01 2007M11
Included observations: 71


Variable Coefficient Std. Error t-Statistic Prob.


C 3.149329 0.028046 112.2913 0.0000
T 0.018201 0.000677 26.88314 0.0000


R-squared 0.912846 Mean dependent var 3.804561
Adjusted R-squared 0.911583 S.D. dependent var 0.393187
S.E. of regression 0.116914 Akaike info criterion -1.426989
Sum squared resid 0.943155 Schwarz criterion -1.363252
Log likelihood 52.65812 F-statistic 722.7032


* Realizar una prediccin para diciembre del 2007, sabiendo que t es igual a 1 en 2002.1, y que el
IGVE12= 0.957
$ 27 . 83 957 . 0 * *
) 142 / 943155 . 0 72 * 018201 . 0 149 . 3 (
12
12 . 2007
^
12 . 2007
^
= = =
+ +
e IGVE Y Y
d

* Interpretacin de
^
2
* 100:

Al transcurrir un periodo la variable Precio del barril de petrleo desestacionalizada aumenta
por trmino medio en un 1,82%.


1.4.2. Componente cclico: Filtro de Holdrick-Prescott

A partir de este procedimiento se desea obtener el componente cclico de la variable. Para
aplicar este filtro la variable ha de estar desestacionalizada. Se supone una hiptesis aditiva: Y
d
t = Tt +
Ct+ It, t= 1,...,T. A partir de estas consideraciones, se desea obtener la serie suavizada, que en este caso,
sera la tendencia Tt. Para ello habra que minimizar la siguiente funcin:

{ }
] ) ) ( ) (( [ ) ( [
2
2
1 1
2
1

=
+
=
+
T
t
t t t t t
t
d
T
t
Tt
T T T T T Y Min
10
20
30
40
50
60
70
80
90
100
2002 2003 2004 2005 2006 2007
BARRIL
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


21

tras minimizar la funcin se obtiene un vector de dimensin 1xT que recoge el componente tendencia:
{T1, T2,..., TT}. es un parmetro que penaliza la variabilidad del componente tendencia, los autores del
mtodo proponen los siguientes valores:

= 100 con datos anuales
= 1600 con datos trimestrales
= 14400 con datos mensuales.

Una primera aproximacin al componente cclico sera: C

t = Y
d
t - Tt; no obstante, en Ct est
incluido el componente irregular, as pues, para conseguir la verdadera estimacin de Ct hay que volver a
aplicar el filtro de Holdrick-Prescott a Ct para obtener, nuevamente, una serie suavizada que sera Ct:

{ }
] ) ) ( ) (( [ ) ( [
2
2
1 1
2 '
1

=
+
=
+
T
t
t t t t t
t
T
t
Ct
C C C C C C Min

donde Ct es el componente cclico.

Ejemplo:

Proc/Holdrick-Prescott filter:

Serie Paro registrado (1996M1-2012M01)






-400,000
-200,000
0
200,000
400,000
600,000
1,000,000
2,000,000
3,000,000
4,000,000
5,000,000
96 97 98 99 00 01 02 03 04 05 06 07 08 09 10 11 12
PARO Trend Cycle
Hodrick-Prescott Filter (lambda=14400)
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


22





1.5. Prediccin.

Antes de analizar la prediccin es necesario que se hagan explcitos los siguientes supuestos:

a) Se considera que existe una cierta estabilidad en el fenmeno.

Ejemplo: Serie no estable: N de terremotos en Espaa en el mes de abril.












Fuente: INE.

-400,000
-200,000
0
200,000
400,000
-400,000
-200,000
0
200,000
400,000
600,000
96 97 98 99 00 01 02 03 04 05 06 07 08 09 10 11 12
CICLO1 Ciclo Irregular
Hodrick-Prescott Filter (lambda=14400)

N de terremos en el mes de Abril
0
100
200
300
400
500
1
9
8
5
1
9
8
7
1
9
8
9
1
9
9
1
1
9
9
3
1
9
9
5
1
9
9
7
1
9
9
9
2
0
0
1
2
0
0
3
2
0
0
5
2
0
0
7
2
0
0
9
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


23
b) Los datos han de ser homogneos en el tiempo, es decir, se ha de mantener la definicin y los
procedimientos de medicin de la magnitud objeto de estudio.

Ejemplo: La Encuesta de Ocupacin Hotelera sustituy desde enero del 1999 a la Encuesta de
Movimiento de Viajeros en Establecimientos Hoteleros, ampliando la investigacin a la categora de
una estrella y similares.

Si la variable que se investiga es Yt, el conjunto de informacin disponible es:
Y1, Y2, ..., YT
La prediccin puede ser de tres tipos:


a) Interim:
^
1
, Y ..., ,
^
2
Y
^
.
T
Y
b) Ex-post: .. . 1
^
+ T Y
c) Ex-ante: 0
^
Y , 1
^
Y , 2
^
Y ,...

Al error de prediccin se le denomina:
et = t Y
^
- Yt.
Y el porcentaje del error de prediccin se define como:
% Error de prediccin= ( t Y
^
- Yt/ Yt) *100

Medidas para valorar la capacidad predictiva de los modelos:

1) Error absoluto medio: EAM
EAM =
T
Y Y
T
t
t
t

1
^
, en el interior de la muestra.
EAM =
M
Y Y
M
m
m
m

1
^
, fuera de la muestra.

2) Porcentaje de error absoluto medio: PEAM
PEAM =
T
Y Y Y
T
t
t t
t

1
^
/ ) (
, en el interior de la muestra.
PEAM =
M
Y Y Y
M
m
m m
m

1
^
/ ) (
, fuera de la muestra.

3) Error cuadrtico medio: ECM
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


24
ECM =
T
Y Y
t
t
t


2
^
) (
, en el interior de la muestra.
ECM =
M
Y Y
m m
m

2
^
) (
, fuera de la muestra.

4) Raz del error cuadrtico medio
RECM= ECM

Cuanto ms cercanas estn a cero todas las medidas anteriores mejor ser la capacidad predictiva
del modelo.

Las limitaciones de las medidas anteriores son que carecen de cota superior. Adems los valores
que alcancen el EAM, el ECM y la RECM dependen de la unidad de medida de la variable y, por
consiguiente, no son adecuados para realizar comparaciones al menos que vengan referidas las
predicciones a la misma variable.

5) Coeficiente de desigualdad de Theil
T
Y
T
Y
T
Y Y
U
T
t
t
T
t
t
T
t
t
t

= =
=
+

=
1
2
1
2
^
1
2
^
) (
;
ste ndice est acotado entre 0 y 1. Adems es una medida adimensional. Otra forma de expresar el
coeficiente de desigualdad de Theil es con su valor al cuadrado:

U
2
=
2
1
2
1
2
^
1
2
^
) (
|
|
|
|
|
|

\
|
+

= =
=
T
Y
T
Y
T
Y Y
T
t
t
T
t
t
T
t
t
t


El cuadrado del coeficiente de desigualdad de Theil, U
2
, permite ser descompuesto en tres
componentes, que son denominados componente de sesgo, de varianza y de covarianza. En particular, la
forma de la descomposicin es la siguiente:

U
2
=
2
1
2
1
2
^
,
2
1
2
1
2
^
2
2
1
2
1
2
^
2
^
) 1 ( 2 ) (
) (
^ ^ ^
|
|
|
|
|
|

\
|
+

+
|
|
|
|
|
|

\
|
+

+
|
|
|
|
|
|

\
|
+


= = = = = =

T
Y
T
Y
r S S
T
Y
T
Y
S S
T
Y
T
Y
Y Y
T
t
t
T
t
t
y y
y y
T
t
t
T
t
t
y y
T
t
t
T
t
t

=[ componente de sesgo +componente de varianza+ componente de covarianza].

Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


25
Los dos primeros componentes (componente de sesgo y de varianza) forman la parte
sistemtica; mientras que el componente de covarianza, la parte no sistemtica, lo ideal es que el
componente de varianza y sesgo sean lo ms pequeos posibles.


Ejemplo:

Se ha estimado un modelo lineal para para la variable desestacionalizada del ndice de ventas del
comercio minorista:
Dependent Variable: INDICE_SA
Method: Least Squares
Sample: 2007M01 2012M05
Included observations: 65

Variable Coefficient Std. Error t-Statistic Prob.

C 123.4290 1.550832 79.58891 0.0000
T -0.369913 0.018548 -19.94332 0.0000
AR(1) 0.315413 0.119344 2.642888 0.0104

R-squared 0.932072 Mean dependent var 93.44975
Adjusted R-squared 0.929880 S.D. dependent var 7.247092
S.E. of regression 1.919039 Akaike info criterion 4.186581
Sum squared resid 228.3281 Schwarz criterion 4.286937
Log likelihood -133.0639 Hannan-Quinn criter. 4.226178
F-statistic 425.3625 Durbin-Watson stat 2.185324
Prob(F-statistic) 0.000000




Interpretacin de la informacin:
Root mean squared error: RECM.
Mean Absolute Error: EAM.
Porcentaje del error absoluto medio: PEAM.
Theil Inequality Coefficient: U.
Bias Proportion + Variance Proportion + Covariance proportion: 1.
70
80
90
100
110
120
130
2003 2004 2005 2006 2007 2008 2009 2010 2011 2012
INDICE_SAF 2 S.E.
Forecast: INDICE_SAF
Actual: INDICE_SA
Forecast sample: 2003M01 2012M05
Adjusted sample: 2003M02 2012M05
Included observations: 112
Root Mean Squared Error 10.66962
Mean Absolute Error 7.132881
Mean Abs. Percent Error 7.311081
Theil Inequality Coefficient 0.053690
Bias Proportion 0.342986
Variance Proportion 0.262880
Covariance Proportion 0.394134
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


26
Tema 2. Modelos de alisado exponencial.


2.1. Introduccin.

En el siguiente tema se muestran algunos mtodos de prediccin de series temporales que, al
igual que el anlisis clsico, se basan slo en los valores pasados de la variable. Son mtodos adecuados
cuando hay pocas observaciones.

2.2. Tipos de modelos.

2.2.1 Alisado exponencial simple.

Este mtodo se aplica a variables econmicas con una media constante. Se supone que el
modelo subyacente tras la variable es:

Yt = 1 + ut,

es decir, la variable flucta en torno a una constante y no presenta tendencia ni componente estacional.
Si una variable Yt es sometida a un proceso de alisado exponencial simple, resulta una variable alisada St.
Tericamente, St se obtiene de la siguiente forma:

St = Yt + (1- ) Yt-1 + (1- )
2
Yt-2 +...
donde 0<<1 es un parmetro que oscila en torno a 0,01 y 0,30. Si est cercano a 1, el mtodo no es
adecuado ya que nos indicara que Yt tiene tendencia.
St es una media aritmtica ponderada de infinitos valores, ya que la suma de las ponderaciones es igual a
1:

j (1- )
j
= /1-(1- ) = 1

Dichas ponderaciones decaen de forma exponencial a travs del tiempo.
Para calcular St se necesitan infinitos valores de la variable, lo cual no es factible. Por ello, se
realiza la siguiente operacin:

St = Yt + (1- ) Yt-1 + (1- )
2
Yt-1 +...
(1- ) St-1 = (1- ) Yt-1 + (1- )
2
Yt-2 + (1- )
3
Yt-3 +...
St -(1- ) St-1 = Yt
St = Yt + (1- ) St-1

Una vez obtenida la variable alisada St, las predicciones se obtienen de la siguiente forma:

t

Yt


St
Prediccin:
) 1 (
^
t Y

1

2
.
.
.
T

T+1

Y1


Y2

.

.

.

YT





S1=Y1+(1-) S0


S2=Y2+(1-) S1

.

.

.

ST=YT+(1-) ST-1



1
1
^
) 1 ( S Y =
.
.
.
T
T S Y = ) 1 (
^


Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


27
Si slo existe informacin hasta T, entonces:
T
T S m Y = ) (
^
.

Para iniciar el proceso es necesario asignar un valor a S0. El programa EVIEWS supone que S0
es igual a la media de las (T+1)/2 primeras observaciones de la variable Yt si T es un nmero impar, o a
la media de las T/2 primeras observaciones de Yt si T es par.
* Actualizacin de predicciones
Si se observa el valor YT+1 es posible actualizar las predicciones, ya que ahora se puede calcular:
ST+1 = YT+1 + (1- ) ST =
) 1 (
1
^
+ T
Y

) 1 (
1
^
+ T
Y =
) 2 (
1
^
+ T
Y

Ejemplo:

Con datos mensuales correspondientes a la variable tipo de inters de los descubiertos en cuenta
corriente aplicados por las entidades de crdito para el periodo 2008:01-2008:11.



a) Obtenga predicciones para enero y febrero del 2009.

Alpha: = 0.1780

*Mean: S2008:11= 20.97048
Predicciones:
97048 . 20 ) 2 (
11 : 2008
^
= Tipo y 97048 . 20 ) 3 (
11 : 2008
^
= Tipo
20.76
20.80
20.84
20.88
20.92
20.96
21.00
21.04
2008M01 2008M04 2008M07 2008M10
TIPO

Sample: 2008M01 2008M11
Included observations: 11
Method: Single Exponential
Original Series: TIPO
Forecast Series: TIPOSM


Parameters: Alpha 0.1780
Sum of Squared Residuals 0.067904
Root Mean Squared Error 0.078569


End of Period Levels: Mean 20.97048


Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


28
b) Si en diciembre del 2008 el tipo de inters es del 20,47% actualice la prediccin para el siguiente mes.

S2008:12 = 0.1780 * Tipo2008:12 + (1-0.1780) * S2008:11= 20.88

88 . 20 ) 1 (
12 : 2008
^
= Tipo .


2.2.2. Alisado exponencial doble (Mtodo de Brown).

En este caso se supone que la variable presenta tendencia lineal y carece de estacionalidad, es
decir, el modelo terico correspondiente es:

Yt = 1 + 2 t + ut

y la ecuacin de prediccin es: ) (
^
m
t
Y = at + bt * m
donde:
at = 2 St

St
bt = [/(1- )] (St

St)
St=Yt+(1-) St-1
St=St+(1-) St-1

El proceso de prediccin es el siguiente:
a) Con los datos correspondientes a la variable Y, se genera los valores correspondientes a St, St, at y bt:


t Yt

St St at bt
1
2
.
.
.
T

Y1
Y2

.

.

.

YT


S1=Y1+(1-) S0

S2=Y2+(1-) S1

.

.

.

ST=YT+(1-) ST-1

S1= S1+(1-) S0

S2= S2+(1-) S1

.

.

.

ST= ST+(1-) ST-1
a1=2 S1

S1
a2=2 S2

S2
.
.
.
aT=2 ST

ST
b1= [/(1- )] (S1

S1)
b2= [/(1- )] (S2

S2)
.
.
.
bT= [/(1- )] (ST

ST)



b) Posteriormente las predicciones de la variable Y con informacin hasta T, se obtendran de la
siguiente forma:
) 1 (
^
T Y = aT + bT *1; ) 2 (
^
T Y = aT + bT *2;...; ) (
^
m YT = aT + bT *m

b) Si se observa el valor para Yt+1, se actualizaran las predicciones de la siguiente forma:

ST+1= YT+1+(1-) ST
ST+1= ST+1+(1-) ST
aT+1=2 ST+1 ST+1
bT+1= [/(1- )] (ST+1 ST+1)
) 1 ( 1
^
+ T Y = aT+1 + bT+1 *1; ) 2 ( 1
^
+ T Y = aT+1 + bT+1 *2;...; ) ( 1
^
m Y T + = aT+1 + bT+1 *m

Al inicio del proceso de predicciones es necesario nuevamente fijar unos valores iniciales de S0
y S0. Las alternativas que se pueden seguir son las siguientes:

a) S0 = S0 = Y1
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


29
b) S0 = S0 =

Y
c) Estimar el modelo: Yt = 1 + 2 t + ut, y utilizar los parmetros estimados
^
1
y
^
2
, como a0 y b0,
respectivamente.

Ejemplo:

Sample: 1995 2009
Included observations: 15
Method: Double Exponential
Original Series: CONSUMO
Forecast Series: CONSUMSM


Parameters: Alpha 0.9990
Sum of Squared Residuals 4076.614
Root Mean Squared Error 16.48558


End of Period Levels: Mean 819.2061
Trend -14.92030


Obtenga predicciones del consumo para el periodo 2010-2011:
Alpha: = 0.9990
Mean: a2009 = 819,2061
Trend: b2009 =-14,92030

1 *
2009 2009
^
) 1 (
2009
^
2010
b a Consumo Consumo + = = = 804,2858 * 10
9

2 *
2009 2009
^
) 2 (
2009
^
2011
b a Consumo Consumo + = = = 789,3655 * 10
9



2.2.3. Mtodo de Holt-Winters sin estacionalidad.

Es un mtodo aplicable a modelos del tipo:
Yt = 1 + 2 t + ut
y la ecuacin de prediccin es: ) (
^
m YT = at + bt * m, donde:
at = 1Yt + (1- 1) (at-1 + bt-1)
bt = 2 (at at-1) + (1- 2) bt-1
Los valores iniciales a0 y b0, se pueden obtener estimando por MCO:
Yt = 1 + 2 t + ut
Para actualizar las predicciones:
300
400
500
600
700
800
900
95 96 97 98 99 00 01 02 03 04 05 06 07 08 09
CONSUMO
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


30
aT+1 = 1YT+1 + (1- 1) (aT + bT)
bT+1 = 2 (aT+1 aT-1) + (1- 2) bT
) 1 ( 1
^
+ T Y = aT+1 + bT+1 *1

Ejemplo:

Sample: 1995 2009
Included observations: 15
Method: Holt-Winters No Seasonal
Original Series: CONSUMO
Forecast Series: CONSUMSM


Parameters: Alpha 1.0000
Beta 1.0000
Sum of Squared Residuals 3477.068
Root Mean Squared Error 15.22513


End of Period Levels: Mean 819.2060
Trend -15.02300



Obtenga predicciones del consumo para el periodo 2010-2011:
Alpha: 1 = 1
2 = 1
Mean: a2009 = 819,2060
Trend: b2009 =-15,02300
1 *
2009 2009
^
) 1 (
2009
^
2010
b a Consumo Consumo + = = = 804,183* 10
9

2 *
2009 2009
^
) 2 (
2009
^
2011
b a Consumo Consumo + = =
= 789.16* 10
9



2.2.4. Mtodo de Holt-Winters con estacionalidad.

Este mtodo se aplica cuando la variable tiene tendencia lineal y estacionalidad:
(1) Hiptesis multiplicativa: Yt = (1 + 2 t) * Et + ut
(2) Hiptesis aditiva: Yt = (1 + 2 t) + Et + ut

En este mtodo se proponen tres ecuaciones de alisado, cuyas expresiones son las siguientes,
segn se suponga una hiptesis multiplicativa o aditiva:

(1) Hiptesis multiplicativa:
at = 1(Yt /Et-L)+ (1- 1) (at-1 + bt-1)
bt = 2 (at at-1) + (1- 2) bt-1
Et = 3 (Yt /at) + (1- 3) Et-L
(*Nota : L es el nmero de periodos dentro del ao. Si los datos son mensuales L=12 y si son
trimestrales L=4).
La ecuacin de prediccin es:
) (
^
m
t
Y
= (at + bt * m) * Et+m-L

(2) Hiptesis aditiva:
at = 1(Yt -Et-L)+ (1- 1) (at-1 + bt-1)
bt = 2 (at at-1) + (1- 2) bt-1
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


31
Et = 3 (Yt - at) + (1- 3) Et-L
La ecuacin de prediccin es:
) (
^
m
t
Y
= (at + bt * m) + Et+m-L

Ejemplo:
Utilizando la variable correspondiente al nmero de viajeros para el periodo muestral 2008:06-
2012:06:


a) Indique qu mtodos de alisado exponencial se pueden utilizar.
Mtodo de Holt Winters con estacionalidad: Hiptesis aditiva.
Mtodo de Holt Winters con estacionalidad: Hiptesis multiplicativa.

b) Obtenga predicciones para el periodo 2012:06-2012:12, con la informacin que se le
proporciona:

Hiptesis multiplicativa:
Sample: 2008M06 2012M06
Included observations: 49
Method: Holt-Winters Multiplicative Seasonal
Original Series: VIAJEROS
Forecast Series: VIAJERSM


Parameters: Alpha 0.4500
Beta 0.0000
Gamma 0.0000
Sum of Squared Residuals 1.03E+12
Root Mean Squared Error 145049.5


End of Period Levels: Mean 7029727.
Trend 13024.58
Seasonals: 2011M07 1.386098
2011M08 1.480794
2011M09 1.237784
2011M10 1.084036
2011M11 0.716772
2011M12 0.661782
2012M01 0.566573
2012M02 0.683435
2012M03 0.827159
2012M04 1.016477
2012M05 1.119982
2012M06 1.219107

3,000,000
4,000,000
5,000,000
6,000,000
7,000,000
8,000,000
9,000,000
10,000,000
11,000,000
II III IV I II III IV I II III IV I II III IV I II
2008 2009 2010 2011 2012
VIAJEROS
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


32


Mean: a2012:06= 7029727
Trend: b2012:06 = 13024.58
Seasonals: E2011:07= 1.386098,...., E2012:06=1.219107

) 1 ( 06 . 2012
^
Y = (a2012.06 + b2012.06 * 1) * E2011.07 = 9761944 viajeros
) 2 ( 06 . 2012
^
Y = (a2012.06 + b2012.06 * 2) * E2011.08 = 10448151 viajeros
.
.
.

Hiptesis aditiva:


Sample: 2008M06 2012M06
Included observations: 49
Method: Holt-Winters Additive Seasonal
Original Series: VIAJEROS
Forecast Series: VIAJERSM


Parameters: Alpha 0.6500
Beta 0.0000
Gamma 0.0000
Sum of Squared Residuals 1.43E+12
Root Mean Squared Error 171093.7


End of Period Levels: Mean 7071203.
Trend 13024.58
Seasonals: 2011M07 2613732.
2011M08 3255197.
2011M09 1618088.
2011M10 579182.0
2011M11 -1919117.
2011M12 -2295493.
2012M01 -2947705.
2012M02 -2156083.
2012M03 -1177500.
2012M04 121170.5
2012M05 825567.7
2012M06 1482961.



Mean: a2012:06= 7071203
Trend: b2012:06 = 13024.58
Seasonals: E2011:07= 2613732,...., E2012:06= 1482961

) 1 ( 06 . 2012
^
Y = (a2012.06 + b2012.06 * 1) + E2011.07 = 9697960 viajeros
) 2 ( 06 . 2012
^
Y = (a2012.06 + b2012.06 * 2) + E2011.08 = 10352449 viajeros

.
.
.

Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


33
c) Interprete los valores de los parmetros beta y gamma obtenidos para la hiptesis multiplicativa y la
aditiva.
Hiptesis multiplicativa:
bt = 2 (at at-1) + (1- 2) bt-1; 2 = 0, bt = bt-1
Et = 3 (Yt /at) + (1- 3) Et-L ; 3 = 0, Et = Et-L
Hiptesis aditiva:
bt = 2 (at at-1) + (1- 2) bt-1; 2 = 0, bt = bt-1
Et = 3 (Yt-at) + (1- 3) Et-L ; 3 = 0 ; Et = Et-L


d) Seale el modelo de alisado que realice mejores predicciones. Y

Eleccin del mejor mtodo
RECMHW_Hiptesis mulltiplicativa=145049.5
RECMHW_Hiptesis aditiva= 171093.7
Se elige HW con estacionalidad multiplicativa, ya que es el que presenta una menor RECM.






Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


34
Tema 3. Modelos estocsticos de series temporales.

3.1. Introduccin.

El objetivo de este tema es establecer las bases tericas para poder realizar predicciones bajo un
enfoque estocstico de las series temporales. Bajo esta filosofa de modelizacin, la serie temporal es
considerada como la realizacin de un proceso estocstico. Un proceso estocstico se expresa como
{ } ,... 2 , 1 , = t Y
t
, y se define como una coleccin de variables aleatorias ordenadas de acuerdo con el parmetro tiempo:

- Variables aleatorias: Y1, Y2,..., Yt,...

De esta forma, una serie temporal es una coleccin de observaciones muestrales, cada una
correspondiente a una variable del proceso:

- Realizacin: Y1*, Y2*,...,

Yt*,...

Cada una de las variables Yt que configuran un proceso estocstico tendr su propia funcin de
distribucin con sus correspondientes momentos (media, varianza, etc.). Asimismo, cada par de esas
variables tendrn su correspondiente funcin de distribucin conjunta y sus funciones de distribucin
marginales. Esto mismo ocurrir, ya no para cada par de variables, sino para conjuntos ms amplios de
las mismas. De esta forma, para caracterizar un proceso estocstico deberamos especificar las funciones de
distribucin conjunta de cualquier conjunto de variables: cualesquiera que fueran los valores de (t1, t2,....tm) y
cualquiera que fuera el valor de "m".

Habitualmente, conocer esas funciones de distribucin resulta complejo de forma que, para
caracterizar un proceso estocstico, basta con especificar la media y la varianza para cada Yt y la
covarianza para variables referidas a distintos valores de t:

a) Esperanza matemtica:

t = E(Yt)
E(Y1), E(Y2), ..., E(Yt),...

b) Funcin de autocovarianza:

t,t+k = cov (Yt, Yt+k) = E[(Yt- t) (Yt+k- t+k)]

cuando t=s se obtiene la varianza:

t,t = Var (Yt) = E[(Yt- t)
2
]

A partir de cov (Yt, Yt+k), Var (Yt) y Var (Yt+k) se obtiene la funcin de autocorrelacin simple:
t,t+k =
) ( ) (
) , cov(
k t
Y Var
t
Y Var
k t
Y
t
Y
+
+


Estacionariedad y ergodicidad

Para poder hacer inferencia sobre un proceso estocstico, a partir de una realizacin del mismo,
es necesario que ste cumpla las propiedades de estacionariedad y ergodicidad.





Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


35
a) Estacionariedad.

Con respecto a la estacionariedad, sta puede ser de dos tipos: estricta y amplia. Un proceso
estocstico es estacionario en sentido estricto o fuerte, si los vectores [Yt, Yt+1, Yt+2,..., Yt+k] y [Yt+m,
Yt+m+1,..., Yt+m+k] poseen la misma funcin de distribucin independientemente de t, k y m, es decir:

F [Yt, Yt+1, Yt+2,..., Yt+k] = F [Yt+m, Yt+m+1,..., Yt+m+k]

Ejemplo : F [Y2, Y3, Y4] = F [Y6, Y7, Y8], donde t=2, k=2 y m=4

Por otro lado, un proceso es estacionario en sentido amplio o dbilmente estacionario cuando se
verifica que:

a) t = [Estacionariedad en media o dbil de 1
er
orden]
b) t,t+k= k [Estacionariedad en covarianza o dbil de 2 orden]

Ej. cov (Y2, Y6) = cov (Y7, Y11)= 4

c) La varianza es finita y constante a lo largo del tiempo:
0 = Var(Yt) = E[(Yt- )
2
]=
2
= cov (Yt,Yt), para todo t. [Estacionariedad en varianza]

La funcin de autocorrelacin simple en estos procesos estacionarios es:
k=
) ( ) (
) , cov(
0
k t t
k t t k
Y Var Y Var
Y Y
+
+
=



La representacin grfica de k se denomina correlograma.
La estacionariedad en sentido estricto garantiza la estacionariedad en sentido amplio, pero no a
la inversa.

b) Ergodicidad.
La ergodicidad es una propiedad necesaria para obtener estimaciones consistentes de los
momentos a partir de una realizacin de una serie temporal. Una condicin necesaria, aunque no
suficiente es que:
0 lim =

k
k



3.2. Modelos estacionarios lineales: ARMA (p,q).

3.2.1. Modelos autorregresivos de orden p: AR(p).

Los modelos autorregresivos de orden p se definen como:
Yt = +
t p t p t
Y Y + + +

...
1 1
, donde los parmetros y
i
son constantes y
t
es
ruido blanco es decir,
t
~ N(0,
2
) y cov (
t
,
s
) = 0, y est incorrelacionado con Yt-i para todo i finito.
Utilizando el operador L:
(1- 1L-...- pL
p
) Yt = +
t

Casos particulares:

Modelo AR(1)
Un modelo AR(1) queda definido como:
t t t
Y Y + + =
1

Para que el proceso sea estacionario en sentido amplio se requiere que | 1 |< . Si ocurre esto:
(1-
t t
Y L + = )


Yt =
1 1 1
=

t
L L

E(Yt) = E( ...) + +
Var (Yt) = Var(
1

L
finita para todo t.

Funcin de autocovarianza:
Para calcular esta funcin supongamos que
AR(1) se transforma en:
t
Y Y =
)] )( [(

= =
k t t k
E Y Y E

(Nota: Aqu se utiliza la no autocorrelacin de

Funcin de autocorrelacin simple:
k k k
= = = =
2
2
1
...
Si 0< 1
1
< entonces:
Si 0 1
1
< < entonces:

Modelo AR(2):

Un modelo AR(2) se define como:

Las condiciones de esta
o bien que las races de la ecuacin:
Notas de
Antonio Caparrs Ruiz y Oscar D. Marcenaro
...
1
2
1
2
1 1
+ + + +

t t t
L


... ) ( ) ( ) ( ...)
2
2
1
+ + + +
t t t
E E E =

1
= , constante para todo t.
1
2
... ) ( ) ( )
1
( )
1

= + + =

+
t t
t t
Var Var
L
Var
L
Funcin de autocovarianza:
Para calcular esta funcin supongamos que 0 = , lo que provoca que =0, entonces el modelo
t t
Y +
1
. La funcin de autocovarianza es:
1 1 1
) ( ) ( ) (

= + =
k k t t k t t k t t
Y E Y Y E Y Y E
(Nota: Aqu se utiliza la no autocorrelacin de
t
con
k t
Y

).
Funcin de autocorrelacin simple:
k k
=
0
. La representacin grfica de
k
se denomina correlograma:



Un modelo AR(2) se define como:
Yt=
t t t
Y Y + +
2 2 1 1

(1-
t t
Y L L + = )
2
2 1


Las condiciones de estacionariedad son:

2 2
1 1
1
1
1
2
1 2
2 1
< <
< <
<
< +




o bien que las races de la ecuacin:
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez
36
, constante para todo t.
2
2
1

= , constante y
, lo que provoca que =0, entonces el modelo
enomina correlograma:


caigan dentro del crculo unidad. Si las races son complejas (a+bi), se exige que:

Si se cumplen las condiciones de estacionariedad:

E(Yt) =
1
1


Funcin de autocovarianza
Suponiendo nuevamente, sin p
( ) (
1 1 t t k t t k
Y Y E Y Y E

= =
para k=0,
2 1 1 0
+ =
para k>0,
2 1 1
+ =
k k


Funcin de autocorrelacin simple:
2 2 1 1
+ =
k k k
,
Representacin grfica de la Funcin de autocorrelacin simple (FAS):
Correlogramas:

A partir de
1
=
k k

(

=
(

2
1 1
1 2
1
1
1

. Este sistema recibe el nombre


ecuaciones suministran un procedimiento para obtener los coeficientes del modelo AR(2) a partir de
los coeficientes de correlacin lineal:
Notas de
Antonio Caparrs Ruiz y Oscar D. Marcenaro

2
- 0 -
2 1
=
2
4
2
2
2
1 1

+
=
caigan dentro del crculo unidad. Si las races son complejas (a+bi), se exige que:
las condiciones de estacionariedad:
2


Funcin de autocovarianza
Suponiendo nuevamente, sin prdida de generalidad, que =0:
) ( ) ( )
2 2 1 1 2 2 k k k t t k t t k t
E Y E Y Y E

+ + = + +
2
+
2

2 2 k

de autocorrelacin simple:
para k>0.
Representacin grfica de la Funcin de autocorrelacin simple (FAS):


2 2 1
+
k
, si k=1 y k=2:
. Este sistema recibe el nombre de ecuaciones de Yule
ecuaciones suministran un procedimiento para obtener los coeficientes del modelo AR(2) a partir de
los coeficientes de correlacin lineal:
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez
37
caigan dentro del crculo unidad. Si las races son complejas (a+bi), se exige que: 1
2 2
< + b a .
) (
k t t
Y E


de ecuaciones de Yule-Walker. Estas
ecuaciones suministran un procedimiento para obtener los coeficientes del modelo AR(2) a partir de


Como se ha podido comprobar, el correlograma de un modelo
pueden ser muy parecidos en algunos casos. Por ello, con el objeto de la posterior identificacin del
modelo subyacente tras los datos, se presenta la funcin de autocorrelacin parcial.

Funcin de autocorrelacin parcial:
El coeficiente de correlacin parcial de orden k:
eliminando el efecto de los valores intermedios de Y sobre dicha correlacin, es decir, sin el efecto
de los retardos intermedios: Y
modelo AR(p), estara compuesta por p coeficientes que se obtendra de la siguiente forma:
1) ) 1 ( , 1

, procedende de Y
2) ) 2 ( , 2

, procedente de
.
.
.

p)
) ( , p p
, procedente de Y

En resumen para un modelo AR(1):



Y para un modelo AR(2):
fas
Notas de
Antonio Caparrs Ruiz y Oscar D. Marcenaro
(

==
(


2
1
1
1
1 2
1
1
1


Como se ha podido comprobar, el correlograma de un modelo AR(1) y un modelo AR(2)
pueden ser muy parecidos en algunos casos. Por ello, con el objeto de la posterior identificacin del
modelo subyacente tras los datos, se presenta la funcin de autocorrelacin parcial.
Funcin de autocorrelacin parcial:
ciente de correlacin parcial de orden k: ,
*
k
calcula la correlacin entre Y
eliminando el efecto de los valores intermedios de Y sobre dicha correlacin, es decir, sin el efecto
de los retardos intermedios: Yt-1, Yt-2, ..., Yt-k+1. La funcin de autocorrelacin parcial (FAP) de un
modelo AR(p), estara compuesta por p coeficientes que se obtendra de la siguiente forma:
, procedende de Yt =
t t
Y + +
1 ) 1 ( , 1
.
, procedente de Yt =
t t t
Y Y + + +
2 ) 2 ( , 2 1 ) 2 ( , 1

, procedente de Yt =
t p t p p t p
Y Y + + + +
) ( , 1 ) ( , 1
...
En resumen para un modelo AR(1):

Y para un modelo AR(2):
fap

Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez
38
AR(1) y un modelo AR(2)
pueden ser muy parecidos en algunos casos. Por ello, con el objeto de la posterior identificacin del
modelo subyacente tras los datos, se presenta la funcin de autocorrelacin parcial.
calcula la correlacin entre Yt y Yt-k
eliminando el efecto de los valores intermedios de Y sobre dicha correlacin, es decir, sin el efecto
. La funcin de autocorrelacin parcial (FAP) de un
modelo AR(p), estara compuesta por p coeficientes que se obtendra de la siguiente forma:


Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


39












3.2.2 Modelos de medias mviles.

Los modelos de medias mviles son por definicin estacionarios y se definen como:
Yt = +t-1t-1-2t-2-...- qt-q , MA(q)
Yt = +(1-1L -2L
2
-...- qL
q
) t

Casos particulares:

Modelo MA(1):
Yt = +t-t-1, MA(1)
Yt = +(1-L) t
** E(Yt)=
** Funcin de autocovarizana (suponiendo que =0):
k
=cov (Yt,Yt-k) = E(Yt*Yt-k) = E[ (t-t-1) (t-k-t-k-1)]
Para k=0:
0
=E(Yt*Yt) = E[ (t-t-1) (t-t-1)] = (1+
2
)
2

Para k=1:
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


40
1
=cov (Yt,Yt-1) = E(Yt*Yt-1) = E[ (t-t-1) (t-1-t-2)] = -
2

Para k>1:
k
=0.
** Funcin de autocorrelacin simple:
1 = - / (1+
2
); k=0 si k>1.


Ejemplo:



Los modelos de medias mviles deben de cumplir la condicin de invertibilidad, que implica que
puedan transformarse en un modelo AR. En el caso del modelo MA(1), la condicin de invertibilidad
es: ||<1. Si esto ocurre:

Yt = + (1- L) t
Yt/(1- L) = + t
Yt+ Yt-1+
2
Yt-2 + ... = /(1- ) + t
Yt = /(1- ) - Yt-1-
2
Yt-2 - ...+ t

De esta forma el modelo MA(1) se ha transformado en un AR( ).

La condicin de invertibilidad establece que este proceso AR de orden infinito tiene pesos que
van decreciendo al ir tomndose retardos adicionales. La no invertibilidad significa, por el contrario,
que en esas circunstancias el proceso tiene pesos que van creciendo, incluso de forma explosiva, lo
cual representa una caracterstica no deseable y anti-intuitiva en una serie temporal.

La FAP de un proceso MA(1) invertible tiene infinitos valores distintos de cero, que van
convergiendo a cero.
Ejemplo:


Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


41
* Modelo MA (2):
Yt = +t-1t-1-2t-2, MA(2)
Yt = +(1-1L-2
2
L) t
** E(Yt)=
** Funcin de autocovarianza (suponiendo que =0):
k
=cov (Yt,Yt-k) = E(Yt*Yt-k) = E[ (t-1t-1-2t-2) (t-k-1t-k-1-2t-k-2)] .
Para k=0:
0
=cov (Yt,Yt) = E(Yt*Yt) = (1+ 1
2
+ 2
2
)
2
.
Para k=1:
1
=cov (Yt,Yt-1) = E(Yt*Yt-1) = E[(t-1t-1-2t-2) (t-1-1t-2-2t-3)] =
= (- 1+ 1 2)
2
.
Para k=2:
2
=(- 2)
2
.
Para k>2:
k
=0.
** Funcin de autocorrelacin simple:
1 = (- 1+ 1 2)/ (1+ 1
2
+ 2
2
)
2 = (- 2)/ (1+ 1
2
+ 2
2
)
k=0 si k>2.


** Condicin de invertibilidad:
Para que un MA(2) sea invertible se ha de cumplir que la races de la ecuacin:
0
2 1
2
= , caigan dentro del crculo unidad.
** Ejemplos de funciones de autocorrelacin simple y parcial para modelos MA(2)
fas fap


Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


42
3.2.3 Modelos ARMA (p,q).

Un modelo ARMA (p,q) se define como:
Yt =
*
+
t p t p t
Y Y + + +

...
1 1
-1t-1-2t-2-...- qt-q
(1-
t
q
q t
p
p
L L L Y L L ) ... 1 ( ) ...
2
2 1 1
+ =
Para un modelo ARMA(p,q), las condiciones de estacionariedad son determinadas por ) (L y
las de invertibilidad por ) (L .

Casos particulares
** Modelo ARMA (1,1).
La expresin economtrica de un modelo ARMA (1,1) es:
Yt =
*
+
t t
Y +
1 1
-1t-1
(1-
t t
L Y L ) 1 ( )
1 1
+ =
La condicin de estacionariedad es |
1
|<1 y la condicin de invertibilidad es |
1
|<1.
** Modelo ARMA (2,2):
Yt =
*
+
t t t
Y Y + +
2 2 1 1
-1t-1-2t-2
(1-
t t
L L Y L L ) 1 ( )
2
2 1
2
2 1
+ =
Las condiciones de estacionariedad son que las races de:

2
- 0 -
2 1
=
caigan dentro del crculo unidad. Y las condiciones de invertibilidad son que las races de:
0
2 1
2
= , caigan dentro del crculo unidad.


3.3. Modelos no estacionarios: ARIMA (p,d,q) y modelos estacionales.

3.3.1 Modelos no estacionarios: ARIMA (p,d,q).

Las series econmicas en general no son estacionarias. Esto puede ser debido a varias razones
como, por ejemplo, la presencia de tendencia o de estacionalidad que provoca que la esperanza de la
variable no sea constante y, por consiguiente, que no sea estacionaria en media; o bien que la
variabilidad de la serie no sea constante, con lo que no sera estacionaria en varianza.
Ejemplos de series econmicas no estacionarias:

Deuda del Estado
0
100000000
200000000
300000000
400000000
500000000
600000000
700000000
1
9
9
8
M
0
1
1
9
9
8
M
1
1
1
9
9
9
M
0
9
2
0
0
0
M
0
7
2
0
0
1
M
0
5
2
0
0
2
M
0
3
2
0
0
3
M
0
1
2
0
0
3
M
1
1
2
0
0
4
M
0
9
2
0
0
5
M
0
7
2
0
0
6
M
0
5
2
0
0
7
M
0
3
2
0
0
8
M
0
1
2
0
0
8
M
1
1
2
0
0
9
M
0
9
2
0
1
0
M
0
7
2
0
1
1
M
0
5
2
0
1
2
M
0
3
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


43




Centrndonos en los modelos definidos en el epgrafe anterior, supongamos el caso de un
modelo AR(1) con =1. En esta situacin el modelo no es estacionario: Yt = Yt-1 + t, y se denomina
Paseo Aleatorio.

Adems cabe sealar, por una parte, que cualquier variable con tendencia no es estacionaria en
media y que cualquier variable que muestre una variable no homognea no es estacionaria en varianza.
Indice de cotizacin de acciones de tecnologa y
telecomunicaciones
0
500
1000
1500
2000
2
0
0
1
M
0
1
2
0
0
1
M
0
9
2
0
0
2
M
0
5
2
0
0
3
M
0
1
2
0
0
3
M
0
9
2
0
0
4
M
0
5
2
0
0
5
M
0
1
2
0
0
5
M
0
9
2
0
0
6
M
0
5
2
0
0
7
M
0
1
2
0
0
7
M
0
9
2
0
0
8
M
0
5
2
0
0
9
M
0
1
2
0
0
9
M
0
9
2
0
1
0
M
0
5
2
0
1
1
M
0
1
2
0
1
1
M
0
9
Indice de cotizacin de acciones de materiales bsicos industria
y construcin
0
500
1000
1500
2000
2500
3000
2
0
0
1
M
0
1
2
0
0
1
M
0
9
2
0
0
2
M
0
5
2
0
0
3
M
0
1
2
0
0
3
M
0
9
2
0
0
4
M
0
5
2
0
0
5
M
0
1
2
0
0
5
M
0
9
2
0
0
6
M
0
5
2
0
0
7
M
0
1
2
0
0
7
M
0
9
2
0
0
8
M
0
5
2
0
0
9
M
0
1
2
0
0
9
M
0
9
2
0
1
0
M
0
5
2
0
1
1
M
0
1
2
0
1
1
M
0
9
Consumo de electricidad
0
500
1000
1500
2000
2500
1
9
9
5
M
0
1
1
9
9
6
M
0
1
1
9
9
7
M
0
1
1
9
9
8
M
0
1
1
9
9
9
M
0
1
2
0
0
0
M
0
1
2
0
0
1
M
0
1
2
0
0
2
M
0
1
2
0
0
3
M
0
1
2
0
0
4
M
0
1
2
0
0
5
M
0
1
2
0
0
6
M
0
1
2
0
0
7
M
0
1
2
0
0
8
M
0
1
2
0
0
9
M
0
1
2
0
1
0
M
0
1
2
0
1
1
M
0
1
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


44
No obstante, a veces con pequeas transformaciones las series econmicas no estacionarias se
pueden convertir en estacionarias. Vase, por ejemplo el modelo correspondiente al paseo aleatorio:
Yt- Yt-1 = t
Nota:
Yt = Yt Yt-1 = (1-L) Yt;
2
Yt = (Yt Yt-1) - (Yt-1 Yt-2) = (1-2L+L
2
) Yt = (1-L)
2
Yt
A un proceso Yt se le denomina ARIMA (p,d,q) si tras tomar primeras diferencias d veces
(
d
Yt = (1-L)
d
Yt) se obtiene un proceso estacionario: ARMA(p,q):
(1- 1L-...- pL
p
) (1-L)
d
Yt =
*
+ ) ... 1 (
2
2 1
q
q
L L L t
En algunos casos, al tomar diferencias, la serie sigue siendo no estacionaria en varianza. Una
transformacin que puede solucionar el problema es: lnYt.

Ejemplo de serie no estacionario en media ni en varianza:


Test de races unitarias

a) Test de Dickey-Fuller:

Supongamos el modelo: Yt = +
1
Yt-1 + t, si el parmetro no cumple este requisito|
1
|<1, la
variable no es estacionaria. No obstante, en el caso de que no sea estacionario lo habitual es que
1
=1,
ya que en el resto de casos la serie sera explosiva lo cual no es habitual en Economa. Por ello, si se
plantea un test para verificar si es estacionario, las hiptesis seran las siguientes:
Ho:
1
=1
H1:
1
<1
Si el test que se aplica es el Dickey Fuller, el modelo que hay que estimar es:
Yt = + Yt-1 + t, donde 1 =
1
-1, luego el test se reduce a:
Ho: =0
H1: <0
t=
^
1
^
1

S

No obstante, ahora los valores crticos son los procedentes de las tablas de MacKinnon (1996).
Si se acepta H0, se dice que la variable no es estacionaria, y hay que tomar al menos una
diferencia. Una serie es integrada de orden p, I(p), o tiene p races unitarias, si para convertirla en
estacionaria hay que tomar p diferencias.




Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


45
Con EVIEWS, el test de Dickey-Fuller se puede aplicar para los siguientes modelos:
(1) Yt =
1
Yt-1 + t, (Modelo sin constante).
(2) Yt = +
1
Yt-1 + t, (Modelo con constante).
(3) Yt = 1 +
1
Yt-1 + 2 t + t ((Modelo con constante y tendencia).

b) Test de Dickey-Fuller aumentado
Si la serie sigue un modelo AR(p) con p>1, se aplica el test de Dickey-Fuller aumentado: Yt = + 1
Yt-1 +

1
1
p
j
j t j
Y + t. Y el contraste es el mismo:
Ho: 1=0
H1: <0
t=
^
1
^
1

S

Y los valores crticos son los procedentes de las tablas de McKinnon (1996).

Ejercicio de aplicacin del test de Dickey-Fuller:











28.0
28.5
29.0
29.5
30.0
30.5
31.0
31.5
1975 1980 1985 1990 1995 2000 2005 2010
EDAD_MATERNIDAD
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


46

Null Hypothesis: EDAD_MATERNIDAD has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=0)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic 1.149976 0.9972
Test critical values: 1% level -3.632900
5% level -2.948404
10% level -2.612874


*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation
Dependent Variable: D(EDAD_MATERNIDAD)
Method: Least Squares
Sample (adjusted): 1976 2010
Included observations: 35 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

EDAD_MATERNIDAD(-1) 0.021281 0.018505 1.149976 0.2584
C -0.559298 0.546674 -1.023091 0.3137

R-squared 0.038530 Mean dependent var 0.068953
Adjusted R-squared 0.009395 S.D. dependent var 0.117580
S.E. of regression 0.117027 Akaike info criterion -1.397382
Sum squared resid 0.451944 Schwarz criterion -1.308505
Log likelihood 26.45418 Hannan-Quinn criter. -1.366701
F-statistic 1.322445 Durbin-Watson stat 0.349789
Prob(F-statistic) 0.258420


Ho: 1=0
H1: 1<0 , t
*
=
^
1
^
1

S
= 1.149976, Valor crtico al 5%:
-
2.94, se acepta H0. La variable
Edad media de la maternidad al menos tiene una raz unitaria.

Se toma una diferencia regular sobre la variable Edad_maternidad y se vuelve a aplicar el test
de Dickey-Fuller:




Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


47


Ho: =0
H1: <0
t
*
=
^
1
^
1

S
= -3.397513, Valor crtico al 5%: -2.951125, se rechaza H0. Por lo que resulta que la
variable:

(1-L) Edad_maternidad es estacionaria.
En definitiva la variable Edad_maternidad es I(1).


3.3.2. Modelos estacionales.

En variables econmicas con una periodicidad inferior al ao (por ejemplo, mensual o
trimestral), los modelos estocsticos descritos anteriormente se pueden convertir en estacionales si los
retardos de las variables aparecen cada s periodos, siendo s el nmero de periodos que tiene el ao:
12 si son meses o 4 si son trimestres. De esta forma surgen los siguientes modelos estacionales:
a) Modelos autorregresivos estacionales: AR(P)s

Null Hypothesis: D(EDAD_MATERNIDAD) has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=0)

t-Statistic Prob.*


Augmented Dickey-Fuller test statistic -3.397513 0.0181
Test critical values: 1% level -3.639407
5% level -2.951125
10% level -2.614300


*MacKinnon (1996) one-sided p-values.


Augmented Dickey-Fuller Test Equation
Dependent Variable: D(EDAD_MATERNIDAD,2)
Method: Least Squares
Date: 08/30/12 Time: 11:57
Sample (adjusted): 1977 2010
Included observations: 34 after adjustments


Variable Coefficient Std. Error t-Statistic Prob.


D(EDAD_MATERNIDAD(-1)) -0.291318 0.085745 -3.397513 0.0018
C 0.032613 0.011471 2.842953 0.0077


R-squared 0.265096 Mean dependent var 0.013366
Adjusted R-squared 0.242130 S.D. dependent var 0.066812
S.E. of regression 0.058164 Akaike info criterion -2.794081
Sum squared resid 0.108257 Schwarz criterion -2.704295
Log likelihood 49.49938 Hannan-Quinn criter. -2.763461
F-statistic 11.54309 Durbin-Watson stat 1.676532
Prob(F-statistic) 0.001835


Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


48
Yt = +
*
1
Yt-s +
*
2
Yt-2s+...+
*
P


Yt-Ps+t

(1-
*
1
L
s
-
*
2
L
2s
-...
*
P
L
Ps
)Yt= +t,
* Caso Particular: AR(1)s
Yt = +
*
1
Yt-s + t
(1-
*
1
L
s
) Yt= +t

Para un modelo AR(1)s la FAS se comporta como en el caso de un AR(1) pero a intervalos de s
retardos, en los retardos intermedios vale 0. Y la FAP tiene un nico valor distinto de cero en el periodo
s.

Ejemplo: Yt = +
*
1
Yt-4 + t

FAS FAP


b) Modelos de medias mviles estacionales: MA(Q)s

Yt =

+
t
-
*
1
t-s-
*
2
2t-2s-...-
*
Q
t-Qs =

+(1-
*
1
L
s
-
*
2
L
2s
-...
*
Q
L
Qs
) t

Caso Particular: MA(1)s

Yt = +
t
-
*
1
t-s = +(1-
*
1
L
s
) t
Ejemplo: Yt =

+(1-
*
1
L
4
) t
FAS FAP



Modelos ARMA(P,Q)s:
(1-
*
1
L
s
-
*
2
L
2s
-...
*
P
L
Ps
)Yt =
*
+(1-
*
1
L
s
-
*
2
L
2s
-...
*
Q
L
Qs
)t
t
s
Y L ) ( =
*
+ (L
s
) t
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


49

Modelos ARIMA (P,D,Q)s


t
D s s
Y L L ) 1 )( ( = (L
s
) t
Son aquellos donde es necesario tomar D diferencias estacionales para que la variable siga un
modelo ARMA (P,Q)s estacional.

Los modelos estacionales se pueden combinar con los vistos en los epgrafes anteriores. De ah
surgen los modelos:

ARIMA (p,d,q) *(P,D,Q)s
=
t
d D s s
Y l L L L ) 1 ( ) 1 )( ( ) (
*
+ (L)(L
s
) t
) (L y (L) conforman la parte regular, y ) (
s
L y (L
s
) la parte estacional.

Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


50
Tema 4: Anlisis Box-Jenkins.

4.1. Identificacin

En el tema anterior se han examinado las propiedades de algunos de los procesos estocsticos
ms usuales en las series econmicas y se ha supuesto que los datos son realizaciones de tales
procesos estocasticos. El anlisis Box-Jenkins pretende conocer cul es modelo terico que genera
la serie econmica, con objeto de realizar predicciones de la misma. En particular, dicho anlisis est
compuesto por las siguientes etapas: identificacin, estimacin, validacin y prediccin.
La etapa de indentificacin trata de inferir cal es el proceso estocstico que hay detrs de la serie
temporal. Para ello, inicialmente, es necesario realizar un anlisis de la estacionariedad de la serie,
haciendo uso del test de Dickey-Fuller. En el caso de que la serie no sea estacionaria se realizan las
oportunas transformaciones.
En la segunda etapa, se procede a determinar el orden de la parte autorregresiva y de las partes
de medias mviles, tanto regular como estacional.
Como instrumentos de identificacin surgen la FASE (AC) y la FAPE (PAC): Funcin de
autocorrelacin simple estimada y la funcin de autocorrelacin parcial estimada, respectivamente:
La FASE:

+ =


=
T
t
t
T
k t
k t t
k
Y Y
Y Y Y Y
1
2
1
^
) (
) )( (

, es el coeficiente de correlacin muestral para una


muestra de tamao T. La secuencia de valores
k
^
(k=1,2,3,...) constituye el correlograma estimado.
El nmero de k
s
debe de estar en torno a 1/3 de la muestra.
A partir de estos coeficientes estimados, se puede realizar inferencia sobre la significacin de los
coeficientes tericos. En concreto, un coeficiente de la funcin de autocorrelacin simple terica no
es significativo si se acepta H0:
k
=0.
Bajo H0, se puede demostrar que
k
^
~ N (0,1/T), luego el contraste que se plantea es:
H0:
k
=0
H1:
k
0
Se tipifica la variable,
k
^
/ T / 1 ~ N(0,1), por lo que la zona de aceptacin de H0 es:
-1.96<
k
^
/ T / 1 > 1.96, es decir, -1.96 T / 1
^
k
< <1.96 T / 1 . E-Views aproxima y
proporciona unas bandas de +-2 T / 1 .
Con respecto a los coeficientes de correlacin parcial estimados
^
*
k
, su distribucin es:
^
*
k
~ N (0,1/T), luego
*
^
k
/ T / 1 ~ N(0,1), es decir, nuevamente se pueden plantear
contrastes del siguiente tipo para los coeficientes de autocorrelacin parciales tericos:
H0: k
*
=0
H1: k
*
0
Se acepta H0 si -1.96 T / 1 <
*
^
k
<1.96 T / 1 . Al igual que en el caso anterior, las bandas que
proporciona EViews son: +-2 T / 1



Ejemplo:
Serie de consumo de cemento:

Tras la observacin de los coeficientes estimados simpl
bandas el modelo que se supone que genera la variables es un:

Serie de petrleo:

Transformacin: D (petroleo,1)

En este caso se propone un modelo ARIMA (0,1,1) x (1,0,0)

Notas de
Antonio Caparrs Ruiz y Oscar D. Marcenaro
Serie de consumo de cemento: Transformacin: D (cemento,1,12)
Tras la observacin de los coeficientes estimados simples y parciales que salen fuera de las
bandas el modelo que se supone que genera la variables es un:

ARIMA (0,1,1) x (0,1,0)12
Transformacin: D (petroleo,1)
En este caso se propone un modelo ARIMA (0,1,1) x (1,0,0)12.
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez
51

es y parciales que salen fuera de las

Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


52
4.2. Estimacin.

Una vez identificado el modelo generador de la serie temporal es preciso estimar los parmetros
del modelo. El proceso de estimacin de modelos ARIMA es complejo. Por este motivo y dado el
alcance introductorio del tema, en este epgrafe nos limitamos a indicar cmo se obtendran las
estimaciones de los modelos mediante la utilizacin del programa EVIEWS, y a interpretar dichas
estimaciones.

Para estimar con EVIEWS un modelo AR(p):
t t
Y L + = ) (
(1- 1 L - 2 L
2
- ... p L
p
) Yt =
t
+

Hay que utilizar la siguiente secuencia de comando:

Quick/ Estimate Equation:


A continuacin en el cuadro en blanco, donde marca la flecha, hay que escribir:
Y c AR(1) AR(2) ....AR(p):

De esta forma se obtendra las estimaciones de los parmetros del modelos:
p
^
2
^
1
^ ^
,..., , ,
Ejemplo:


Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


53
Dependent Variable: D(AERONAVES,1)
Method: Least Squares
Sample (adjusted): 1993 2010
Included observations: 18 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

C 62306.58 15168.96 4.107505 0.0009
AR(1) 0.565905 0.213976 2.644717 0.0184
AR(2) -0.821485 0.303574 -2.706044 0.0163

R-squared 0.412501 Mean dependent var 51003.78
Adjusted R-squared 0.334167 S.D. dependent var 97286.84
S.E. of regression 79384.67 Akaike info criterion 25.55301
Sum squared resid 9.45E+10 Schwarz criterion 25.70141
Log likelihood -226.9771 Hannan-Quinn criter. 25.57347
F-statistic 5.265969 Durbin-Watson stat 1.834815
Prob(F-statistic) 0.018516

Inverted AR Roots .28-.86i .28+.86i


= = =
2
^
1
^ ^
0.565905; ; 62306.58 -0.821485
En el caso de los modelos MA(q):
Yt = +t-1t-1 -2t-2-...- qt-q
Yt = +(1-1L -2L
2
-...- qL
q
) t

Se procede incialmente de igual forma, y en el recuadro en blanco se escribe :
Y c MA(1) MA(2) ...MA(q)
obtenindo como resultado :
^
2
^
1
^
,... , ,

Ejemplo :
Dependent Variable: D(PEDIDOS,1,12)
Method: Least Squares;
Sample (adjusted): 2003M02 2012M06
Included observations: 113 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

C -0.084618 0.399388 -0.211869 0.8326
MA(1) -0.756689 0.083445 -9.068142 0.0000
MA(2) 0.485152 0.083526 5.808431 0.0000

R-squared 0.349082 Mean dependent var -0.062929
Adjusted R-squared 0.337247 S.D. dependent var 7.170403
S.E. of regression 5.837399 Akaike info criterion 6.392638
Sum squared resid 3748.275 Schwarz criterion 6.465046
Log likelihood -358.1840 Hannan-Quinn criter. 6.422020
F-statistic 29.49603 Durbin-Watson stat 1.793412
Prob(F-statistic) 0.000000

= = =
^
2
1
^ ^
-0.756689; -0.084618; 0.485152



En el caso de los modelos ARMA (p,q) :
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


54
(1- 1 L - 2 L
2
- ...) Yt =+(1-1L -2L
2
-...- qL
q
) t
se realizara una combinacin de trminos AR y MA, escribindose :
Y c AR(1) AR(2) ....AR(p) MA(1) MA(2) ...MA(q)

Si los modelos son estacionales, y suponiendo el caso ms general, modelos ARMA (P,Q)s :
(1-
*
1
L
s
-
*
2
L
2s
-...
*
P
L
Ps
)Yt =
*
+(1-
*
1
L
s
-
*
2
L
2s
-...
*
Q
L
Qs
)t
En el recuadro en blanco habra que escribir:
* Con datos mensuales
Y c SAR(12) SAR(24)...SAR(12*P) SMA(12) SMA(24)...SMA(12*Q)

* Con datos trimestrales
Y c SAR(4) SAR(8)...SAR(4*P) SMA(4) SMA(8)...SMA(4*Q)

Por ltimo, en los modelos mixtos que contienen parte regular y parte estacional habra que
utilizar una combinacin de los trminos anteriores. Por ejemplo, para estimar un modelo ARIMA
(0,1,1) x (1,0,0)12, habra que escribir:

Y c MA(1) SAR(12)


Otros ejemplos:

Dependent Variable: D(PETROLEO,1)
Method: Least Squares
Sample: 2000M01 2008M09
Included observations: 105
Convergence achieved after 9 iterations
MA Backcast: 1999M12

Variable Coefficient Std. Error t-Statistic Prob.

C -1.443005 15.80527 -0.091299 0.9274
AR(12) 0.571530 0.073941 7.729536 0.0000
MA(1) -0.651506 0.075296 -8.652623 0.0000

R-squared 0.629857 Mean dependent var -0.847619
Adjusted R-squared 0.622599 S.D. dependent var 317.0477
S.E. of regression 194.7717 Akaike info criterion 13.40969
Sum squared resid 3869473. Schwarz criterion 13.48552
Log likelihood -701.0086 Hannan-Quinn criter. 13.44042
F-statistic 86.78464 Durbin-Watson stat 2.049783
Prob(F-statistic) 0.000000

Inverted AR Roots .95 .83+.48i .83-.48i .48+.83i
.48-.83i .00+.95i -.00-.95i -.48+.83i
-.48-.83i -.83-.48i -.83+.48i -.95
Inverted MA Roots .65













Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


55
Dependent Variable: D(IPC,1,12)
Method: Least Squares
Sample (adjusted): 2004M03 2009M03
Included observations: 61 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.


C -0.018557 0.046061 -0.402883 0.6885
AR(1) 0.543799 0.118083 4.605221 0.0000
SAR(12) -0.642350 0.138179 -4.648690 0.0000

R-squared 0.541929 Mean dependent var -0.032377
Adjusted R-squared 0.526134 S.D. dependent var 0.389930
S.E. of regression 0.268420 Akaike info criterion 0.255402
Sum squared resid 4.178858 Schwarz criterion 0.359215
Log likelihood -4.789757 Hannan-Quinn criter. 0.296087
F-statistic 34.30901 Durbin-Watson stat 1.786637
Prob(F-statistic) 0.000000

Inverted AR Roots .93-.25i .93+.25i .68-.68i .68+.68i
.54 .25-.93i .25+.93i -.25+.93i
-.25-.93i -.68+.68i -.68+.68i -.93-.25i
-.93+.25i



4.3. Validacin.
Para que el modelo estimado sea aceptado como generador de la serie econmica ha de cumplir
los siguientes requisitos:

a) Los residuos del modelo han de ser ruido blanco.
Es esencial que los residuos sean ruido blanco, ya que en caso contrario, implicara que contienen
informacin relevante para la estimacin. Lo primero que debe de cumplir los residuos es la normalidad,
para verificarla se aplica el test de Jarque Bera, cuyas hiptesis en este caso son:

H0: et~ Normal
H1: et no se distribuye Normal
El estadstico del test es el siguiente:
JB = T/6 (S
2
+ (K-3)
2
/4)~ X
2
(2)
donde: s es el coeficiente de asimetra y k el coeficiente de curtosis.

Ejemplo:


En este ejemplo el valor del estadstico JB*=5.655 y el p-valor asociado 0.056, acepataran H0, por lo
que se puede admitir que los residuos se distribuyen segn una normal.
Otro de los requisitos que ha de cumplir la serie de et es que no est correlacionada entre s, es decir,
que los et sean independientes. Una forma de verificarlo es plantear contrastes de hiptesis para los
coeficientes de las FAS y de la FAP:
0
1
2
3
4
5
6
-1000 -800 -600 -400 -200 0 200 400 600
Series: Residuals
Sample 2006M02 2008M10
Observations 33
Mean 5.422771
Median 44.25943
Maximum 600.9263
Minimum -939.8059
Std. Dev. 388.5662
Skewness -0.955887
Kurtosis 3.728750
Jarque-Bera 5.755695
Probability 0.056256
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


56
H0:
k
=0 H0: k
*
=0
H1:
k
0 H1: k
*
0
La serie de residuos es ruido blanco si al menos el 95% de los coeficientes estimados de su FAS
emprica y de su FAP emprica estn dentro de las bandas: +-2/ T .
Tambin se puede realizar un contraste global de ausencia de correlacin en los residuos, utilizando
el test de Ljung y Box:
H0 : 1 = 2 =...= k = 0
H1: H0 no se cumple

El estadstico del test es en este caso :
Q= T(T+2)

=
+ + +

K
j
q Q P p k
j
X
j T
1
2
)) ( (
^
2

, donde p, P, q y Q son las partes autorregresivas y de


medias mviles de la variable de donde provienen los residuos.

Ejemplo: Indice de Consumo de productos alimenticios en Grandes Superficies

40
60
80
100
120
140
160
180
1996 1998 2000 2002 2004 2006 2008 2010
INDICE
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


57
Aplicacin del test de Dickey-Fuller
* Variable LOGDIF: (1-L) (1-L
12
) log(INDICEt)


Null Hypothesis: LOGDIF has a unit root
Exogenous: None
Lag Length: 0 (Fixed)

t-Statistic Prob.*


Augmented Dickey-Fuller test statistic -19.09945 0.0000
Test critical values: 1% level -2.582334
5% level -1.943229
10% level -1.615134


*MacKinnon (1996) one-sided p-values.

Estimacin del modelo propuesto

Dependent Variable: D(LOG(INDICE),1,12)
Method: Least Squares
Sample (adjusted): 2001M04 2011M03
Included observations: 120 after adjustments
Convergence achieved after 9 iterations
Backcast: 2000M04 2001M03


Variable Coefficient Std. Error t-Statistic Prob.


C -0.000553 0.000418 -1.323295 0.1883
AR(1) -0.678069 0.079536 -8.525273 0.0000
AR(2) -0.482609 0.079581 -6.064402 0.0000
MA(12) -0.910754 0.016492 -55.22537 0.0000



Residuos



0
2
4
6
8
10
12
14
-0.10 -0.05 0.00 0.05
Series: Residuals
Sample 2001M04 2011M03
Observations 120
Mean -0.000837
Median -0.002172
Maximum 0.051715
Minimum -0.105775
Std. Dev. 0.028366
Skewness -0.476766
Kurtosis 3.498752
Jarque-Bera 5.789890
Probability 0.055302



El modelo que se ha propuesto para la variable Indice es un ARIMA (2,1,0)x(0,1,1)

Para verificar si los residuos son ruido blanco:

Test de Jarque y Bera:

El estadstico del test es el siguiente:
JB = T/6 (S
2
+ (K-3)
2
/4)~ X
JB*=5,789<
95 . 0 , 2
) 2 (
X , ya que p
Se concluye que los residuos se distribuyen segn una normal.
* Independencia de los resid
H0:
H1:
para k=1,...,23.
La zona de aceptacin de H
para ms del 95% de los contrastes los coeficientes estimados de
de aceptacin, por lo que se verifica que los residuos no estn correlacionados.
Adicionalmente se aplica el test de Ljung y Box:
El estadstico del test es en este caso :
Notas de
Antonio Caparrs Ruiz y Oscar D. Marcenaro
El modelo que se ha propuesto para la variable Indice es un ARIMA (2,1,0)x(0,1,1)
Para verificar si los residuos son ruido blanco:
Test de Jarque y Bera:
H0: et~ Normal
H1: et no se distribuye Normal
El estadstico del test es el siguiente:
/4)~ X
2
(2)
, ya que p-valor= 0.055.
Se concluye que los residuos se distribuyen segn una normal.
* Independencia de los residuos:
k
=0 H0:
k
0 H1:
La zona de aceptacin de H0 para todos los contrastes es: +-2/ T = +-
para ms del 95% de los contrastes los coeficientes estimados de
k
y
*
k

de aceptacin, por lo que se verifica que los residuos no estn correlacionados.


ente se aplica el test de Ljung y Box:
H0 : 1 = 2 =...= 23 = 0
H1: H0 no se cumple
El estadstico del test es en este caso :
Q= 120(120+2)

23
1
2
3 23
^
2
j
j
X
j T


Q*=29019<
95 . 0 , 2
) 23 (
X , ya que p-valor= 0.087,
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez
58

El modelo que se ha propuesto para la variable Indice es un ARIMA (2,1,0)x(0,1,1)12.

k
*
=0
k
*
0
182. Se comprueba que
estn dentro de la zona
de aceptacin, por lo que se verifica que los residuos no estn correlacionados.
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


59
por lo que nuevamente se verifica que los residuos son independientes.
En definitiva, se puede afirmar que los residuos resultantes de la estimacin del modelo son
ruido blanco.

b) Los coeficientes estimados han de ser estadsticamente significativos.
Los coeficientes del modelo propuesto han de ser estadsticamente significativos, para ello se
utiliza el estadstico t-Student.

c) El modelo estimado ha de ser estacionario e invertible.

Ejemplo:

Dependent Variable: D(IPC,1,12)
Method: Least Squares
Sample (adjusted): 2004M03 2009M03
Included observations: 61 after adjustments


Variable Coefficient Std. Error t-Statistic Prob.


C -0.018557 0.046061 -0.402883 0.6885
AR(1) 0.543799 0.118083 4.605221 0.0000
SAR(12) -0.642350 0.138179 -4.648690 0.0000

R-squared 0.541929 Mean dependent var -0.032377
Adjusted R-squared 0.526134 S.D. dependent var 0.389930
S.E. of regression 0.268420 Akaike info criterion 0.255402
Sum squared resid 4.178858 Schwarz criterion 0.359215
Log likelihood -4.789757 Hannan-Quinn criter. 0.296087
F-statistic 34.30901 Durbin-Watson stat 1.786637
Prob(F-statistic) 0.000000


Inverted AR Roots .93-.25i .93+.25i .68-.68i .68+.68i
.54 .25-.93i .25+.93i -.25+.93i
-.25-.93i -.68+.68i -.68+.68i -.93-.25i
-.93+.25i


El modelo estimado slo tiene parte autorregresiva, de modo que slo hay que analizar la
estacionariedad del mismo. Se han estimado un modelo ARIMA(1,1,0)x(1,1,0)12:
(1-
1
L) (1-
1
* L
12
) (1-L) (1-L
12
) Indicet= +t,
por lo que hay hay 13 races de la parte autorregresiva que han de cumplir las condiciones de
estacionaridad. Estas races aparecen en la salida del ordenador como: Inverted MA Roots. Las races
reales son en valor absoluto menores que uno, y el mdulo de las complejas tambin es menor que uno,
por ello, se pueden afirmar que el modelo estimado es estacionario.

Si estuvieramos en el caso de otro modelo con componentes autorregresivos y de medias mviles,
habra que analizar tanto la estacionariedad como la invertibilidad y las races aparecera recogidas,
respectivamente, como Inverted AR Roots y como Inverted MA Roots.

d) Aplicacin del test de Ramsey.
Se aplica el test de Ramsey para verificar que el modelo no presenta alguno de los siguientes
problemas:
a) Omisin de variables explicativas relevantes.
b) Forma funcional incorrecta.
c) Correlacin entre los regresores y .


Si ocurre alguna de las situaciones anteriores: ~N (,
2
I). De esta forma, se plantea el siguiente
contraste:
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


60
Ho: ~N (0,
2
I)
H1: ~N (,
2
I)

El estadstico es un test de la razn de verosimilitud:

LR= 2(LnLsr LnLr) ~ X
2
(p), donde p es el nmero de potencias de la variable ajustada
incluidas.

Ejemplo:
Ramsey RESET Test:


F-statistic 0.700657 Prob. F(1,128) 0.404123
Log likelihood ratio 0.726041 Prob. Chi-Square(1) 0.394170


Test Equation:
Dependent Variable: LOGDIF
Method: Least Squares


Variable Coefficient Std. Error t-Statistic Prob.


C 0.000172 0.001239 0.139186 0.8895
FITTED^2 -0.713751 0.835045 -0.854746 0.3943
AR(1) -0.615101 0.079996 -7.689119 0.0000
AR(2) -0.415091 0.080874 -5.132542 0.0000
MA(12) -0.892562 0.024877 -35.87903 0.0000



LR
*
= 0.726041 < X
2,0.95
(1), se acepta H0, no existen errores de especificacin.

e) Anlisis de estabilidad: Test de Chow.
El modelo que se estima no ha de presentar cambio estructural, para comprobarlo se puede
aplicar el test de Chow:
H o: No existe cambio estructural
H1: Existe cambio estructural
= F
k T k
F
k T e e e e
k e e e e e e
* 2 ,
2
'
2 1
'
1
2
'
2 1
'
1
) 2 /( ) (
/ )) ( ' (

+
+


Ejemplo aplicado al modelo estimado para D(LOG(INDICE),1,12)


Chow Breakpoint Test: 2005M06


F-statistic 1.633686 Prob. F(4,112) 0.170719
Log likelihood ratio 6.804879 Prob. Chi-Square(4) 0.146566




F*=1.633686, p-valor=0.17,

se acepta H0, no hay cambio estructural.

f) Comparacin con modelos alternativo.

La idoneidad del modelo estimado se compara con otros modelos alternativos.
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


61

Ejemplo:

Se ha introducido con respecto al modelo estimado anteriormente para D(log(Indice),1,12) el
trmino AR(3), y los valores de los criterios de seleccin de modelos (Akaike y Shwarz) son mayores.
Adems el coeficiente que acompaa al trmino AR(3) no es significativo.

Dependent Variable: D(LOG(INDICE),1,12)
Method: Least Squares
Sample (adjusted): 2001M05 2011M03
Included observations: 119 after adjustments
Convergence achieved after 10 iterations
Backcast: 2000M05 2001M04


Variable Coefficient Std. Error t-Statistic Prob.

C -0.000533 0.000446 -1.193395 0.2352
AR(1) -0.664263 0.094519 -7.027864 0.0000
AR(2) -0.457173 0.104927 -4.357066 0.0000
AR(3) 0.049410 0.092418 0.534633 0.5939
MA(12) -0.908579 0.017635 -51.52011 0.0000

R-squared 0.622914 Mean dependent var -0.000943
Adjusted R-squared 0.609683 S.D. dependent var 0.046445
S.E. of regression 0.029016 Akaike info criterion -4.200799
Sum squared resid 0.095983 Schwarz criterion -4.084029
Log likelihood 254.9475 F-statistic 47.07966
Durbin-Watson stat 1.976743 Prob(F-statistic) 0.000000




4.4. Prediccin.

La mejor prediccin por puntos es aquella que se obtiene mediante la esperanza condicional del
proceso:
) / (
T m T
I Y E
+

A continuacin se muestran cmo obtener predicciones puntuales para algunos modelos
estocsticos sencillos:
Modelo AR(1): Yt = +
t t
Y +
1 1

YT+1 = +
1 1 +
+
T T
Y
E (YT+1/IT) = +
T
Y
1

1
^
+ T Y =
^
+
T
Y
^
1

2
^
+ T Y =
^
+ 1
^ ^
1
+ T Y


Si se predice:
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


62

T
T T Y Y Y = + + 1
^
1
^


T
T T Y Y Y + = + + 1
^
1
^

Si se predice:
) log( ) log( ) log( 1
^
1
^
T
T T Y Y Y = + +

) log( ) log( ) log( 1
^
1
^
T
T T Y Y Y + = + +
) ) log( ) log( (
1
^
1
^
T
T Y Y
T
e Y
+
+
+
=


Modelo AR(2): Yt = +
t t t
Y Y + +
2 2 1 1

YT+1 = +
T T T
Y Y + +
1 2 1

E (YT+1/IT) = +
T
Y
1
+
1 2 T
Y
1
^
+ T Y =
^
+
T
Y
^
1
+
1
^
2 T
Y
2
^
+ T Y =
^
+ 1
^ ^
1
+ T Y +
T
Y
^
2

Modelo MA(1):
Yt = +t-1t-1
YT+1 = +T+1-1T ; E (Yt+1/IT) = -1T ; 1
^
+ T Y =
^
-
T
e
^
1

YT+2 = +T+2-1T+1 ; E(Yt+2/IT) = ; 2
^
+ T Y =
^

Modelo MA(2):
Yt = +t-1t-1- 2t-2
YT+1 = +T+1-1T - 2tT-1 ; E (Yt+1/IT) = -1T -2 T-1; 1
^
+ T Y =
^
-
T
e
^
1
-
1
^
2 T
e
YT+2 = +T+2-1T+1 - 2tT ; E (Yt+2/IT) = -2 T; 2
^
+ T Y =
^
-
T
e
^
2


Modelo ARMA (1,1): Yt = +
t t
Y +
1 1
- 1t-1
YT+1 = +
1 1 +
+
T T
Y - 1T
E (YT+1/IT) = +
T
Y
1
- 1T
1
^
+ T Y =
^
+
T
Y
^
1
-
T
e
^
1



Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


63
Tema 5. Introduccin a los modelos dinmicos.

5.1. Introduccin.

En la asignatura Econometra I se analizaron las caractersticas bsicas del Modelo de
Regresin Lineal General (MRGL), que bajo ciertos supuestos nos permite modelizar relaciones
causales entre una o varias variables explicativas (causa) y una variable explicada (efecto). En ese
momento aludimos de forma muy somera a una de las posibles clasificaciones de los modelos
economtricos, en concreto a la que hace referencia a la dependencia temporal de la variable explicada
(yi) respecto de la/s variable/s explicativa/s (x1, , xk). De forma ms explcita, atendiendo a esa
relacin temporal, podemos hablar de modelos estticos y dinmicos. Como ya sabemos, los primeros
aluden a situaciones en la que la respuesta de la variable dependiente ante un cambio en una de las
variables explicativas es instantnea, es decir no se produce a lo largo de un lapso de tiempo. Por
ejemplo:

1t
= [
1
+[
2
X
2t
+u
t


La expresin anterior corresponde a un modelo esttico, puesto que el valor de
1
queda determinado
en cada periodo (t) por las condiciones exgenas en ese momento, es decir por el valor concreto que
tomen la/s variable/s exgenas (explicativas) en ese momento temporal (t). Ese es el tipo de modelos
que se abordaron en Econometra I.

En cambio los modelos dinmicos recogen el hecho de que en muchas ocasiones las
reacciones econmicas son retardadas. Entendiendo por retardo al lapso de tiempo que se produce
entre un cambio en una (o ms) de las variables explicativas y la respuesta de la variable endgena
(explicada).

Ejemplo de modelo dinmico:

1t
= o +[
0
X
2t
+[
1
X
2t-1
+[
2
X
2t-2
+u
t


Donde
1t
es, por ejemplo, el gasto en ropa durante las rebajas, que ser funcin del ahorro en
el mes t, en el mes previo t-1 y dos meses antes t-2. Por tanto los modelos dinmicos surgen
debido a la necesidad de tomar en consideracin que lo que ocurre en el pasado puede influir a lo que
ocurre en el futuro, es decir existen retardos en el comportamiento de los agentes econmicos. De esta
forma los valores de Y a lo largo del tiempo describen la trayectoria temporal de la reaccin
econmica.

En los siguientes epgrafes de este tema vamos a profundizar en el conocimiento de las causas
que generan la aparicin de modelos dinmicos, as como las principales caractersticas de stos.

5.2. Causas que generan retardos.

Se puede hablar de cuatro grandes fuentes de generacin de retardos:

1) Causas psicolgicas: La reaccin de los agentes econmicos ante un cambio en el valor
de una variable explicativa suele presentar una cadencia en el tiempo, es decir no se altera
drsticamente, debido principalmente a la existencia de hbitos e incertidumbre.

a) Hbitos: Un aumento en el precio del pan no se traduce, normalmente, en dejar
de comer pan, sino en un ajuste progresivo de la cantidad demandada del bien.
b) Incertidumbre: Los agentes econmicos suelen formarse expectativas sobre la
evolucin futura de las variables, condicionando en tal sentido su
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


64
comportamiento. Ejemplo: Una subida del Euribor no tiene porque ir
acompaada de una cada inmediata de la demanda de pisos, si se espera una cada
posterior del Euribor.

2) Tecnolgicas: Los avances tecnolgicos pueden favorecer cambios que no se puedan
implementar instantneamente en los procesos productivos. Por ejemplo el desarrollo de
los vehculos elctricos provocar un cambio paulatino (no instantneo) en el parque
automovilstico. Otro ejemplo son las aplicaciones de la telefona mvil.

3) Institucionales: La existencia de determinados tipos de regulaciones puede condicionar
la velocidad de reaccin en determinados comportamientos. Por ejemplo la regulacin de
determinadas materias por parte del Estado no es en muchos casos instantnea ante los
cambios en la realidad socioeconmica. Esto ocurre por ejemplo en las regulaciones
relativas a las TICs.

4) Inercia en agregados econmicos: Algunas variables econmicas muestran inercia o
persistencia, es decir el valor que toman en un periodo es muy similar al de periodos
sucesivos, como por ejemplo el PIB.


5.3. Modelo de retardos distribuidos.

Atendiendo a lo visto hasta ahora podemos distinguir entre:

Modelos estticos: Las variables explicativas son contemporneas con la variable endgena.

t
= [
1
+[
2
X
2t
++[
k
X
kt
+u
t
t = 1, 2, 3,..,,T.

= [
1
+[
2
X
2
++[
k
X
k
+u

i = 1, 2, 3,,n.


Modelos dinmicos: Dentro de stos podemos encontrar dos grandes subdivisiones
atendiendo al comportamiento respecto al tiempo de las variables explicativas y de la variable
endgena. As hablaremos de:

a) Modelos de retardos distribuidos: Son aquellos en los que la o las variables explicativas
exgenas aparecen tanto en el momento actual (valores contemporneos) como en momentos
anteriores del tiempo (valores retardados). En otras palabras son modelos en los que la influencia de las
variables exgenas sobre la explicada (endgena pura) no se agota de un nico periodo, sino que
perdura en el tiempo. Por ejemplo tendramos el siguiente modelo:

t
= o +[
0
X
2t
+[
1
X
2t-1
+[
2
X
2t-2
+u
t


De forma abreviada podemos expresar un modelo de retardos distribuidos como:

t
= o +[

(I)X
2t
+u
t

donde
1
:

[

(I)= [
0
+[
1
I
1
++[



En el ejemplo concreto planteado tendramos (con slo dos retardos):


1
Al trmino
r
(L) se le denomina operador polinomial de retardos.
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


65

t
= o +[
2
(I)X
2t
+u
t


donde:

[
2
(I)= [
0
+[
1
I
1
+[
2
I
2


Grficamente el ajuste de un modelo con retardos distribuidos se podra representar como:

Un ejemplo de este tipo de modelos es el de la relacin entre inversin en capital de una empresa o una
economa y el nivel de produccin, puesto que el efecto del nivel de inversin se reflejar en la cuanta
de la produccin durante varios periodos de tiempo posteriores a la inversin. O el efecto de la
variacin del precio del petrleo sobre el precio de los alimentos.

Modelos de retardos distribuidos finitos (MRDF): Hablaremos de MRDF en
el caso en el que el nmero de retardos sea finito, es decir el efecto total de un
impulso en una variable explicativa se reparte en un nmero finito de periodos
posteriores de tiempo.

t
= o + [
]
X
2t-]
1
]=0
+u
t
j <

Modelos de retardos distribuidos (infinitos) MRD-: En el caso en el que el
nmero de retardos sea infinito, es decir el efecto total de un impulso en una
variable explicativa se reparte en infinitos periodos posteriores de tiempo.

t
= o +[
]
X
2t-]

]=0
+u
t


En este caso resultara imposible estimar el modelo (por sus infinitos trminos)
salvo que impongamos algn supuesto sobre la distribucin o evolucin de los
coeficientes (). Los supuestos ms empleados son los de Koyck y Jorgenson, que
veremos a lo largo del tema 6.

b) Modelos autorregresivos
2
: Son aquellos en los que la variable endgena o explicada aparece
como explicativa retardada uno o ms periodos de tiempo. De esta forma se pretende enriquecer el
modelo mediante la inclusin de la informacin sobre la relacin entre la variable endgena y ella

2
Autoregressive en ingls.
t-3 t-2 t-1 t t+1 t+2 t+3 .. . ..
Tiempo
Demanda
T

3

[
]
1
]=1
=efecto total
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


66
misma en el pasado. En este caso la variable endgena retardada debe ser considerada como un regresor
estocstico.

t
= o +y
t-1
+u
t



5.4. Caractersticas de los modelos dinmicos.

Como se ha subrayado en los epgrafes previos, en un modelo dinmico las variaciones en una
variable endgena se reparten a lo largo del tiempo, de forma que en stos modelos podremos hablar
de relaciones a corto plazo y de relaciones a largo plazo, siendo los valores de Y a lo largo del tiempo
los que describirn la trayectoria temporal de la reaccin econmica.

Tipos de trayectoria. En un modelo dinmico un cambio en una variable explicativa
retardada produce un cambio en el valor de la variable explicada
3
que se puede representar en el tiempo
describiendo lo que se denomina la trayectoria temporal de la reaccin. Esta trayectoria puede ser
montona o bien oscilatoria.

La trayectoria temporal se agotar cuando la variable endgena tome un valor de
equilibrio a largo plazo; entendiendo por situacin de equilibrio a largo plazo aquella en la que el
valor de la variable endgena (Y) no cambia
4
.

a) Trayectoria Montona: Una trayectoria es montona cuando es o bien creciente o bien
decreciente a lo largo de todo el periodo muestral, es decir cuando no presenta
oscilaciones. Esto ser as cuando la races caractersticas del sistema sean reales
positivas.


Creciente Decreciente



3
Partiendo de una situacin de desequilibrio.
4
En esa situacin de equilibrio se cumplir que:

=
t
=
t-1
=
t-2
, que si se incluye en nuestro modelo
dinmico:
1t
= [
1
+[
2
X
2t
+ z
t-1
, arrojar la siguiente expresin de equilibrio a largo plazo:
Y

=

1
1-2
+

2
1-2
X
2

+ u
t
(1.4.1)
Este modelo dinmico en situacin de equilibrio guarda gran similitud con un modelo esttico, de ah que se
suela afirmar que a todo modelo dinmico le corresponde un modelo esttico, pero no a la inversa, puesto que
hay infinitas trayectorias temporales que pueden conducir a una misma situacin de equilibrio a largo plazo.
t

Raiz positiva

t

Y
t
Y
t

Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


67
b) Trayectoria oscilatoria (u oscilante): En el caso en el que las races caractersticas sean
reales negativas la trayectoria sera oscilatoria (con forma de dientes de sierra), y si fueran
complejas conjugadas dara lugar a una componente oscilatoria (cclica).





Condicin de estabilidad: Tal como vimos anteriormente, en un modelo esttico el valor
de la variable endgena es una cantidad fija en funcin del valor que toma la/s variables exgenas,
puesto que no habr una distribucin de retardos
5
. As, sea el modelo esttico:

t
= o +[
0
X
2t


si X
20
= X
21
= X
22
= = X
2t
= X
2

, el valor de
t
es nico para cada periodo:

= o +[
0
X
2



En cambio, en el siguiente modelo, que es autorregresivo:

t
= z
1

t-1
+u
t


podremos afirmar que se cumple la condicin de estabilidad cuando el comportamiento de
1t
en el
largo plazo no sea explosivo, es decir cuando el efecto de una variable en un periodo sobre el de sus
valores futuros se agota con el tiempo ( [
]
1
]=1
< ). As un modelo ser estable cuando:

a) Ante una variacin puntual en el valor de una variable explicativa, la variable dependiente
retorna a su valor de equilibrio.

b) Ante una variacin permanente en el valor de una variable explicativa, la variable
dependiente evoluciona hacia un nuevo valor de equilibrio.

En trminos generales diremos que un sistema es estable (o amortiguado) cuando los mdulos de
todas las races caractersticas
6
son inferiores a 1. En caso contrario el sistema sera explosivo.
Grficamente, los sistemas representados en la pgina anterior son todos estables.

Como ejemplo de sistemas explosivos podemos plantear:


5
Si no se tiene en cuenta el trmino de error (ut).
6
En una ecuacin dinmica analizaremos la ecuacin caracterstica que resulta de la parte autorregresiva
del modelo.
Y
t

t

t

Y
t

Y
t

Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


68
El grfico de la izquierda representa una trayectoria montona explosiva (raz positiva>1), y
el de la derecha una trayectoria oscilante explosiva (raz negativa<-1).

Veamos esto analticamente. Si obviamos el trmino de error en un modelo autorregresivo
tendremos (suponiendo que la trayectoria temporal se extiende desde el momento 1 hasta el
momento t):

2
= z
1

3
= z
1

3
= z
1
(z
1

1
) = z
1
2

t
= z
1
t-1

1


La tendencia ser estable si el lmite cuando t tiende a es 0 (lim

t=0). Es decir cuando:



lim
t

t
=z
1
t-1
=0 si |2
1
| < 1

De ah que |z
1
| < 1 sea la condicin de estabilidad del sistema.

Veamos un ejemplo genrico: Determine, partiendo de la ecuacin caracterstica, qu
condiciones deben cumplir los valores de los parmetros para que podamos hablar de estabilidad del
siguiente modelo:

1t
= o +[
0
X
2t
+y
1

1t-1
+y
2

1t-2
+u
t


Solucin: Si reescribimos la expresin anterior de forma que los trminos que describen la trayectoria
temporal se encuentren en el lado izquierdo de la igualdad (y prescindiendo del trmino de perturbacin)
tendramos:

1t
-y
1

1t-1
-y
2

1t-2
= o +[
0
X
2t
+u
t


En este modelo la ecuacin caracterstica vendra definida por:

k
2
-y
1
k -y
2
= u

Las posibles soluciones a este polinomio se obtendrn de:

k
1
, k
2
=
y
1
_y
1
2
+4y
2
2


Por tanto, para que se pueda hablar de estabilidad en el modelo debern cumplirse las siguientes
restricciones:

|y
2
| < 1.
|y
1
| < 2.
y
1
+y
2
< 1.
y
2
-y
1
< 1.

Veamos por qu?:

Para que el modelo sea estable las soluciones del polinomio que representa la ecuacin
caracterstica, segn vimos ms arriba, tienen que cumplir |k
1
| < 1 y |k
2
| < 1.


Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


69
Adems como:

k
1
=
y
1
+_y
1
2
+4y
2
2
k
2
=
y
1
-_y
1
2
+4y
2
2

Entonces:

-(k
1
k
2
) = y
2
(trmino independiente de la ecuacin caracterstica)

De lo que se puede inferir que:

|y
2
| < 1

De forma similar como:
k
1
+k
2
= y
1

Entonces:

|y
1
| < 2

Por ltimo puesto que:
k
1
=
y
1
+y
1
2
+4y
2
2
< 1

Entonces:

_y
1
2
+4y
2
2
< 1 -
y
1
2
(1.4.1)

Si tenemos en cuenta que:

|y
1
| < 2

Entonces
|y
1
|
2
< 1

Por lo que la desigualdad (1.4.1) recoge en ambos miembros trminos positivos, que al ser elevados al
cuadrado harn que se mantenga la relacin:

y
1
+y
2
< 1.

Anlogamente, puesto que:

k
2
=
y
1
-y
1
2
+4y
2
2
> -1
Se infiere:

y
1
2
+4y
2
2
< 1 +
y
1
2


Como:

|y
1
|
2
> -1
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


70

Podemos concluir que:

y
1
2
+4y
2
4
< 1 +
y
1
2
4
+y
1


y
2
-y
1
< 1


Multiplicadores: Los multiplicadores cuantifican el efecto que tendr una variacin
unitaria en una variable explicativa sobre la variable explicada
7
. En otras palabras muestran el efecto de
una variacin en X
]t
sobre
t
transcurrido un determinado nmero de periodos de tiempo.
Supongamos que tenemos el siguiente modelo:

1t
= o +[
0
X
2t
+[
1
X
2t-1
+[
2
X
2t-2
+u
t


Podremos cuantificar un conjunto de multiplicadores diferentes, para cada perodo de tiempo,
as como un multiplicador total
8
, que resultar de agregar los multiplicadores obtenidos para cada
perodo de tiempo. Desde una perspectiva ms amplia podemos distinguir los siguientes tipos de
multiplicadores (en un modelo dinmico)
9
:

a) Multiplicador de impacto (o multiplicador de corto plazo):

m

1t
X
2t


ste equivale al multiplicador en el modelo esttico, puesto que es el cambio que se produce en la variable
explicada ante un cambio en una variable explicativa en el momento temporal en que se produce. A
este multiplicador tambin se le denomina derivada a corto plazo, puesto que se puede definir por
analoga con la expresin anterior como:

J
1t
JX
2t


b) Multiplicadores intermedios de orden q:

m
q
=

1t+q
X
2t


stos cuantifican el impacto sobre la variable explicada de un cambio en una variable explicativa en un
momento q perodos despus de que se produzca el cambio en la variable explicativa.






7
En un contexto de modelos estticos Keynes defini los multiplicadores como la relacin entre el efecto (Y) y
su causa (X). En un modelo esttico tal como:

1t
= [
1
+ [
2
X
2t
+u
t

El multiplicador tomar el valor:
A
1t
AX
2t
= [
2
.
8
El clculo de este tipo de multiplicadores slo tiene sentido si el modelo es estable, puesto que en caso contrario
no podremos confiar en la validez real de la cuantificacin obtenida.
9
En general a los parmetros [
]
se les denomina coeficientes de reaccin.
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


71
c) Multiplicador total (o multiplicador de largo plazo):

1t+1
X
2t
1


Resulta de la agregacin de todos los multiplicadores intermedios hasta el momento T, o lo que es lo
mismo representa la reaccin total de la variable explicada ante un cambio en la variable explicativa
(variable endgena retardada o exgena). A este multiplicador tambin se le denomina derivada a
largo plazo, puesto que se puede definir por analoga con la expresin anterior como:

J

JX
2


Siendo

y X
2

situaciones de equilibrio.

El clculo de los multiplicadores dinmicos planteados requiere el conocimiento de las
condiciones iniciales. En funcin del objetivo perseguido por el anlisis habr que fijar unas u otras
condiciones iniciales:

a) Si se pretende analizar las condiciones dinmicas del modelo (estabilidad, monotona, etc.)
es necesario partir de las condiciones iniciales que caracterizan a una situacin de
equilibrio. Los multiplicadores resultantes se denominan multiplicadores dinmicos o de
equilibrio, y representan una alternativa a la ecuacin caracterstica para analizar las
propiedades dinmicas caractersticas del sistema.

b) Si se pretenden analizar el efecto de una medida de poltica econmica, se requerirn las
condiciones reales (mediante simulacin) como condiciones iniciales de inters.


Ejemplo: Determine los multiplicadores dinmicos en el siguiente modelo de consumo
agregado:

C
t
= S,u4 +u,66I
t
+u,28C
t-1
+u
t


En este modelo macroeconmico tendramos los siguientes valores para los multiplicadores:

Multiplicador de impacto (corto plazo):

JC
t
JI
t
= u,66

a) Multiplicadores intermedios:
De primer orden: C
0
C
1
: u,66 u,28 = u,1848.
De segundo orden: C
1
C
2
: u,66 u,28
2
= u,uS2.
De tercer orden: C
2
C
3
: u,66 u,28
3
= u,u14.

De orden q-simo: C
q-1
C
q
: u,66 u,28
q



b) Multiplicador total (a largo plazo): Multiplicador total (o multiplicador de largo plazo):

1t+q
X
2t
s


Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


72
Resulta de la agregacin de todos los multiplicadores intermedios hasta el momento q, o lo que es lo
mismo representa la reaccin total de la variable explicada ante un cambio en la variable explicativa.

En el modelo dinmico planteado la derivada a largo plazo adoptara el valor:

J

JX
2

=
[
2
1 -z


Lo que implica que en el largo plazo el impacto total de cambios en X2 sobre Y ser igual a
[
2
1-x
.

Teniendo en cuenta la condicin de equilibrio a largo plazo que obtuvimos en (1.4.1), tendremos que el
multiplicador total ser:

u,66
1 -u,28
= u,916

o alternativamente: u,66 u,28
s
= u,66(1 +u,28 +u,28
2
s=0
+u,28
3
++u,28
s
) =
u,66
1
1-0,28
= u,916.

Esto implica que transcurridos dos periodos se ha producido el 97,9%, resultante de sumar
0,66+0,1848+0,052) y dividir el resultado (0,8968) entre el multiplicador total (0,916) del total del
impacto de la inversin sobre el consumo.

En resumen, lo que nos indican estos multiplicadores es que un incremento de una unidad en
los ingresos de los hogares se traduce en un aumento de 0,66*0,28 unidades en el consumo al
transcurrir el primer momento temporal (1 ao, 1 mes, etc.), y que en el largo plazo ese efecto de los
ingresos se acumula hasta conseguir un aumento del consumo de 0,916. Es decir segn este modelo
cuando los consumidores ajustan su comportamiento (en el largo plazo, cuando t ) terminan
destinando casi el 92% de sus incrementos de renta a consumo.

- Retardo medio y retardo mediano: Al igual que hacamos en estadstica cuando
definamos medidas de tendencia central (media, mediana, etc.) y dispersin (varianza) en lo que sigue
vamos a proceder definiendo estas medidas en el contexto de los modelos de retardos distribuidos.

Retardo medio: La idea que subyace en el clculo del retardo medio es la de informarnos
si el impacto, sobre la variable endgena de una variacin de la exgena, est muy concentrado o
diluido en el tiempo. En concreto, el retardo medio se define como el promedio ponderado de todos
los retardos que se especifican en un modelo. En otras palabras, es una media ponderada del impacto a lo
largo del tiempo de cada retardo. Para cuantificar este promedio tendremos que definir las ponderaciones
(wj), que de una forma sencilla podemos definir como:
w
]
=
[
]
[
]

]=1

En otras palabras, esas ponderaciones corresponden a una normalizacin de los coeficientes, puesto
que al dividir cada coeficiente por la suma total de coeficientes, cada coeficiente normalizado nos estar
indicando la proporcin del efecto total ( [
]

]=1
) que se produce en cada momento temporal (j). De
esta forma si todos los [
]
tienen el mismo signo entonces: u < w
]
< 1 y w
]

=1
=1. Como seala
Otero (1994) la ventaja de operar con las ponderaciones (w
]
) en vez de con los [
]
es que la
estructura temporal del retardo puede describirse mediante funciones de distribucin de probabilidad y
aprovechar los resultados de la Estadstica Terica en esta rea. En el caso del modelo de Koyck (que
veremos en el tema 6):
w
j
=

j

j

j=1
=
2
j

1-2
=2
j
(1 -2)

Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


73
Por tanto el retardo medio que ser la suma de esas ponderaciones tomar el valor:
]w
]
=

]=1
]z
]
(1 -z) =

]=1
(1 -z) ]z
]
= (1 -z)|z +2z
2
+Sz
3
+] =

]=1

= (1 -z)||z +z
2
+z
3
+] +|z
2
+z
3
+] +|z
3
+]=
x
1-x
.

En el ejemplo presentado anteriormente (pgina 14) para medir la relacin entre consumo e ingresos,
que vena expresada mediante la siguiente ecuacin:

C
t
= S,u4 +u,66I
t
+u,28C
t-1
+u
t


El retardo medio ser el resultado de:
u,28
1 -u,28
u,S9

lo que implica que el retardo medio se sita en torno a 0,39 aos (o en la unidad temporal en la que
vengan expresadas las variables del modelo). En otras palabras, un cambio en los ingresos afectar
al consumo agregado, por trmino medio, casi 5 meses
10
despus.

Retardo mediano: Es el tiempo (retardo) necesario para que se produzca el 50% del
efecto (reaccin) de los cambios en la variable explicativa sobre la variable explicada. O, lo que es lo
mismo, el tiempo que tarda en producirse la mitad del impacto sobre la variable explicada ante una
variacin en la variable explicativa. En trminos algebraicos tendramos que el retardo mediano
adoptara la expresin:
z
t
rm
= u,S t logz = logu,S t =
|ug, 5
|ug2

Siguiendo con el ejemplo anterior, el retardo mediano en el ejemplo del modelo de consumo sera:
t =
logu,S
logu,28
= u.S44
Por tanto el retardo mediano es 0,544 aos, es decir aproximadamente seis meses y medio.

Es importante resaltar que en el caso en que se quiera calcular, por ejemplo, el momento en el que se
produce el 30% de la reaccin (percentil 30) habra que calcular:

t =
logu,7
logu,28
= u.28u

10
Resulta de multiplicar 0,39 por los meses de un ao (12).
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


74
Tema 6: Especificacin y Estimacin de MRD.

6.1. Introduccin.

En el tercer epgrafe del tema 5 vimos la diferencia entre los modelos con retardos distribuidos
finitos (MRDF) e infinitos (MRD). Recordemos, un MRDF adoptar la forma general:

t
= o +[
]
X
t-]
q
]=0
+u
t

En cambio un MRD infinitos:

t
= o +[
]
X
t-]

]=0
+u
t


Es importante resaltar que la formulacin de un MRD infinitos no implica que haya infinitos
trminos sino que el efecto de los retardos es muy persistente en el tiempo y slo se diluyen una vez
hayan transcurrido un nmero muy elevado de periodos. Obviamente un serio problema al que se
enfrenta el investigador cuando intenta estimar los MRD infinitos es el de la dificultad para estimar una
sucesin muy elevada de parmetros a partir de un conjunto finito (y en muchas ocasiones muy
reducido) de observaciones. De ah la necesidad de imponer restricciones a priori para acotar el nmero de
trminos
j
a estimar
11
.

En el tema 6 vamos a profundizar en esos tipos de modelos, analizando cmo estimar las
distintas variantes que se pueden presentar de cada uno de ellos. Comenzaremos en el epgrafe 2 con
los MRDF, distinguiendo entre la estimacin de sus parmetros imponindo (epgrafe 6.2.1.) o no
(epgrafe 6.2.2.) restricciones sobre los mismos.


6.2. MRDF.
6.2.1. MRDF sin restricciones (o no restringido).

Partiendo de la expresin vista anteriormente para el MRDF, y suponiendo que se cumplen las
propiedades vistas en los temas de Econometra I para el modelo de regresin lineal general (MRLG),
tendramos:

t
= o +[
]
X
t-]
q
]=0
+u
t


En este contexto si conocemos el valor de q, es decir si la longitud en el tiempo del retardo es
conocida la estimacin del modelo se llevara a cabo tal como se plante en el mencionado MRLG, sin
que se plantearan dificultades especiales.

Pero la estimacin de MRDF sin imponer restricciones a los parmetros no resulta, en general,
de gran utilidad prctica debido a la dificultad para conocer q a priori. Si truncamos
artificialmente el modelo para un determinado nmero de retardos sin estar avalados por un

11
Otra operacin til en el anlisis de series temporales es el de primera diferencia que se define como:
X
t
= X
t
-X
t-1

Esta operacin guarda una relacin estrecha con el operador de retardos:
X
t
= (1 - L)X
t

Anlogamente:

2
X
t
= (1 - L)
2
X
t
= (1 - 2L + L)
2
X
t
= X
t
- 2X
t-1
+ X
t-2

Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


75
conocimiento previo de la longitud del retardo estaramos ante el riesgo de cometer un error de
especificacin por omisin de variables relevantes (o inclusin de irrelevantes), lo que invalida los
coeficientes obtenidos por MCO, pues seran sesgados, al igual que lo sera la varianza residual (en el caso
de inclusin de variables irrelevantes el estimador ser insesgado pero no eficiente).

Una forma de actuar en este caso es aplicar MCO a las especificaciones que resultan de
considerar recursivamente valores crecientes para el nmero de retardos (q=0, 1, 2, 3,), es decir
actuaremos buscando una especificacin con el nmero adecuado de retardos, con las dificultades
aparejadas a esto; pararemos en el momento en que los coeficientes que obtengamos cambien
de forma substancial entre dos regresiones consecutivas. En otros trminos, cuando se comience
a observar un comportamiento errtico en los valores de los parmetros. Este procedimiento si bien es
muy flexible presenta un gran inconveniente, que resulta de que cuanto mayor sea el nmero de
retardos incluidos mayor ser la probabilidad de correlacin entre los regresores
(multicolinealidad, debida a la similitud de los valores retardados de la variable/s entre s), lo que conduce a
una estimacin imprecisa por MCO, puesto que los errores (desviaciones) estndar de los estimadores
tienden a ser grandes (es decir el estimador por MCO en este contexto no es eficiente) en relacin con
los coeficientes estimados, lo que nos llevara (a travs de los correspondientes t test) a rechazar
artificialmente- la significatividad de algn/os coeficiente/s. Igualmente es probable que la hiptesis de
independencia entre los trminos de perturbacin sea difcil de mantener (habr correlacin serial
12
), y
anlogamente los estimadores por MCO no sern adecuados ya que, en general, no se disponen de
series temporales largas, por lo que al tener que estimar muchos parmetros con pocas observaciones
dispondremos de pocos grados de libertad (disminuyendo as la precisin de las estimaciones); igualmente la
introduccin de sucesivos retardos hace que se pierdan observaciones.

Otro procedimiento para detectar el tamao idneo de q es el de comparar el coeficiente de
determinacin corregido (o ajustado) de las especificaciones que resultan de considerar recursivamente
valores crecientes para el nmero de retardos. Siendo el coeficiente de determinacin corregido:

R

2
= 1 -
SCR
n -k
SCI
n -1
= 1 -
n -1
n -k
(1 -R
2
) =
1 -k
n -k
+
n -1
n -k
R
2


De forma similar se puede recurrir al criterio de informacin de Akaike (AIC)
13
:

AIC(q) =
2q
I
+ln _
SCR
I
]

De tal forma que, partiendo de un valor mximo Q (siempre que conozcamos alguno), siendo q ,
se elegir de entre las especificaciones que hayamos formulado la que presente menor valor en el
clculo de este criterio.

Alternativamente, partiendo de un valor para Q, se pueden especificar modelos con
alternativos valores de q y contrastar mediante un test de significacin conjunta de los ltimos Q-q
coeficientes, si stos son o no diferentes de 0. En el momento en que el contraste permita rechazar la
no significatividad de los coeficientes (es decir, aceptar su significatividad) habremos conseguido una
solucin para la longitud de q.

Todas estas alternativas tienen ventajas e inconvenientes, y en general la eleccin de uno u otro
criterio depender del analista. Por ejemplo la aplicacin del criterio de Akaike tiende a la inclusin por

12
Recurdese que el trmino correlacin serial de las perturbaciones entre periodos es sinnimo del de
autocorrelacin.
13
Este criterio de seleccin entre especificaciones alternativas ya se estudi dentro del contenido de la asignatura
Econometra I.
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


76
exceso de variables explicativas, aunque, a diferencia del mtodo recursivo, nos evita tener que
determinar por nosotros mismos en qu momento debemos parar de incluir retardos.


6.2.2. MRDF con restricciones.

Las dificultades que plantea la estimacin de los MRDF en el caso de que no se impongan
restricciones sobre los parmetros lleva a la necesidad de plantear, en muchos casos, MRDF a los que
se les impone a priori una determinada forma temporal; aunque con esto tengamos que perder parte de
la flexibilidad en la estimacin El objetivo de la imposicin de restricciones ser por tanto minimizar
todo lo posible el nmero de parmetros a estimar, reduciendo de esta forma potenciales
problemas de multicolinealidad entre los regresores.

Las aplicaciones empricas en este campo han aportado un conjunto amplio de hiptesis acerca
de las posibles formas temporales que se pueden imponer a priori a un MRDF. Vamos a presentar las
ms utilizadas en la prctica, distinguiendo las que resultan de asumir que los parmetros estn
afectados por un sistema de ponderaciones (suponiendo una determinada estructura para esas
ponderaciones), de las que parten de aproximar los [
]
mediante las ordenadas de una funcin
polinomial.


6.2.2.1. Ponderaciones.

Dentro de las posibles ponderaciones que se les puede asignar vamos a distinguir las
decrecientes (retardo aritmtico y geomtrico) y las que primero crecen y despus descienden (retardo
en forma de V invertida). El caso de los retardos geomtricos lo abordaremos en la segunda parte del
Tema 6 para dar ms coherencia a la estructura expositiva. Veamos, por tanto, a que nos referimos
cuando hablamos de una estructura aritmtica de retardos y una en forma de V invertida.

Retardo aritmtico
14
: Implica que los coeficientes decrecen de acuerdo con una
progresin aritmtica. Fue Fisher (1937) el que expuso la posibilidad de que las ponderaciones
siguieran este tipo de progresin. Segn su planteamiento si se puede asumir que los efectos de la
variable explicativa retardada son insignificantes a partir del cuarto periodo tendramos que estimar la
siguiente especificacin
15
:

t
= o +[(SX
t
+4X
t-1
+SX
t-2
+2X
t-3
+X
t-4
)1S +u
t


A partir de esa expresin tomaramos el contenido del parntesis como la variable
explicativa estimando de esta forma [. En cuanto al nmero de retardos, para obtenerlo podramos
especificar modelos con diferente nmero de retardos y determinar qu modelo resulta conjuntamente
ms explicativo.

Para obtener el valor de cada una de las ponderaciones simplemente plantearemos que las
ponderaciones (w
]
) siguen una progresin aritmtica asignndole el valor 1/ w
]
q+1
]=1
al mayor de los
retardos y de forma creciente conforme nos acercamos en el tiempo al momento t.

Retardo en forma de V invertida: De Leew muy posteriormente (1962) plante otra ley
de formacin de ponderaciones que da lugar a una estructura temporal que tiene forma de V invertida

14
Sirva como recordatorio que en una progresin aritmtica cada trmino es el anterior aumentado (o
disminuido) en una misma cuanta (a la que denominaremos razn de la progresin aritmtica).
15
En esta especificacin el multiplicador de impacto sera [S, el de segundo orden sera [S y el total [.
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


77
(). En concreto, si se puede asumir que los efectos de la variable explicativa retardada son
insignificantes a partir del quinto periodo tendramos que estimar la siguiente especificacin
16
:

t
= o +[(X
t
+2X
t-1
+SX
t-2
+SX
t-3
+2X
t-4
+X
t-5
)12 +u
t


A partir de esa expresin tomaramos el contenido del parntesis como la variable explicativa
estimando de esta forma [.

Esto no quiere decir que stas sean las nicas leyes de formacin validas, sino que son dos
de las ms observadas y fciles de poner en prctica. Otra posible alternativa es observar el
comportamiento de los datos y tratar de buscar una ley de formacin que se aproxime lo mejor posible
al comportamiento temporal observado de la/s variable/s.


6.2.2.2. Polinomios.

En la modelizacin de algunos fenmenos econmicos el nmero (longitud) de retardos puede
ser muy alto, lo que (como vimos anteriormente) puede generar problemas de colinealidad entre los
regresores
17
. Para solventar estos problemas en esa subseccin vamos a recurrir a un supuesto bastante
extendido en trminos de modelizacin de retardos, que es el de suponer que la estructura real de
distribucin de los coeficientes de los retardos puede ser aproximada por un polinomio
18
de orden p
que, en principio, debe ser de orden no muy elevado
19
-. A este tipo de retardos distribuidos polinomiales se les
suele denominar retardos de Almon
20
. De esta forma lo que estamos suponiendo es una determinada
funcin polinomial para la distribucin de los retardos:



] = u,1,2, , q y q > p (5.3.2.1)

El xito de esa formulacin reside en su flexibilidad, puesto que una funcin polinomial, dentro
de un intervalo dado, permite aproximar cualquier otra funcin sin necesidad de que el nmero de regresores sea
demasiado elevado (es decir sin que el grado del polinomio sea excesivamente alto).

Hay una cuestin, no obstante, de mucha relevancia en la asuncin de esta hiptesis de
Almon, y es la de determinar cunto deben valer p y q. Esto lo veremos una vez que hayamos clarificado
cmo estimar los valores de [ con base en este supuesto. Para ello tendremos que ir dndole valores a
j:

[
0
= o
0

[
1
= o
0
+o
1
+o
2
+o
3
++o
p

[
2
= o
0
+o
1
2 +o
2
2
2
+o
3
2
3
++o
p
2
p

[
3
= o
0
+o
1
S +o
2
S
2
+o
3
S
3
++o
p
S
p



16
El multiplicador de largo plazo o multiplicador total sera, tambin en este caso, el valor de [.
17
Estos problemas pueden ser especialmente marcados en el caso en que se trabaje con variables
macroeconmicas, pues stas, al ser agregados, suelen mantener mayor estabilidad en el tiempo.
18
Esta aproximacin se basa en el Teorema de Weierstrass, segn el cual si una funcin (f) est acotada en un
intervalo cerrado podremos aproximarla por un polinomio.
19
Si fuera elevado es como si no tuviramos restricciones, por lo que volveramos al problema inicial, invalidando
el procedimiento.
20
Recibe esta denominacin porque fue S. Almon en su publicacin de 1965 The distributed lag between capital
appropriations and expenditures (Econometrica, n. 33, pp. 178-196) el que la desarroll. En concreto la aplic a
un modelo en el que se explicaba la dotacin de reservas que realizaban un elevado nmero de empresas de
diferentes sectores de actividad, durante los diferentes trimestres del periodo 1953-1961.

j
=

+
1
j +
2
j
2
+

++


Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


78
[
q
= o
0
+o
1
q +o
2
q
2
+o
3
q
3
++o
p
q
p


En el grfico 2.3.2 se han representado dos de las posibles distribuciones polinomiales que
pueden aproximar a la distribucin de los [
]
. En concreto en el grfico de la izquierda se muestra una
representacin del valor de los [
]
en el tiempo cuando el mejor ajuste es un polinomio de segundo
grado, y en la parte derecha cuando es ms realista emplear un polinomio de tercer grado.


Grfico 2.3.2. Representacin de la hiptesis de Almon.
Sustituyendo las ponderaciones en la expresin general del MRDF obtenemos lo siguiente:

t
= o +o
0
X
t
+X
t-1
+X
t-2
+X
t-3
++X
t-q

+o
1
X
t-1
+2X
t-2
+SX
t-3
++qX
t-q

+ o
2
X
t-1
+2
2
X
t-2
+S
2
X
t-3
++q
2
X
t-q

+ o
3
X
t-1
+2
3
X
t-2
+S
3
X
t-3
++q
3
X
t-q


+ o
p
X
t-1
+2
p
X
t-2
+S
p
X
t-3
++q
p
X
t-q
+ u
t
(6.3.2.2)

Por tanto, cada trmino de la ecuacin se compone de una combinacin lineal de retardos de la
variable explicativa. Este modelo puede ser estimado sin problemas por MCO o por MCG (Mnimos
Cuadrados Generalizados); ste ltimo mtodo de estimacin se emplear en el caso en que los
residuos presenten problemas de autocorrelacin (y en general en el caso en el que las perturbaciones
sean no esfricas -como consecuencia de problemas en la matriz de varianzas y covarianzas de las
perturbaciones-).

Es interesante subrayar que en el modelo original de retardos distribuidos finitos tenamos q+1
parmetros a estimar y, sin embargo, en el modelo transformado siguiendo la hiptesis de Almon slo
tenemos p+1 (siendo p < q). En otras palabras, se ha reducido el nmero de parmetros a estimar
(en q-p parmetros), que fue nuestro objetivo prioritario para reducir potenciales problemas de
multicolinealidad-. En la prctica esa reduccin del nmero de parmetros a estimar al pasar del
modelo original al que asume la hiptesis de Almon (q-p) equivale a aplicar restricciones de igualdad a
0 sobre esos q-p parmetros.


Determinar p y q. Consecuencias de p y q errneos.

Dos cuestiones inmediatas que surgen al plantear la hiptesis de Almon son: Cmo
determinar el grado del polinomio, es decir cmo determinar el valor de p? y Cmo determinar el
nmero de retardos, es decir como determinar el valor de q?. Si no se conocen esos valores
partiendo de la Teora econmica, habr que realizar contrastes de hiptesis sobre modelos alternativos
para diferentes valores de p y q hasta alcanzar un modelo lo ms satisfactorio posible.




j

[
]
[
]

[
2
[
5
[
0 [
0
[
2
[
5
j

Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


79
6.3. Especificacin y estimacin de MRD infinitos.

En la primera parte del tema hemos analizado el caso en el que los retardos del modelo tienen
una estructura finita, es decir la influencia sobre la variable explicada de la variable o variables
explicativas no es significativa despus de un determinado nmero (q) de perodos. Pero la mayora de
los fenmenos econmicos requieren de un supuesto menos restrictivo. Adems, incluso en el caso de
que podamos asumir una estructura temporal finita para los retardos, existe una elevada dificultad para
estimar estos modelos puesto que, en general, tendremos que recurrir a una forma polinomial, lo que
implica la dificultad de determinar un valor para el orden del polinomio y para la longitud de los
retardos. Para resolver estas cuestiones en esta ltima parte del tema plantearemos como alternativa los
modelos cuya estructura de retardos es infinita.

Una primera aproximacin para estimar este tipo de modelos de infinitos retardos es la
estimacin ad hoc. La estimacin de los parmetros o [ en un modelo con retardos distribuidos
infinitos partiendo de este mtodo implica suponer que la variable explicativa X y sus retardos no son
variables aleatorias o no estn correlacionadas con el trmino de perturbacin. Si esto es cierto
podremos aplicar MCO empleando un modelo secuencial en el que se irn introduciendo
progresivamente un mayor nmero de retardos de X. Qu problemas plantea esto?

a) No hay conocimiento previo de la longitud mxima del retardo.

b) Cuanto mayor sea la longitud del retardo menor ser el nmero de grados de libertad
para estimar. Tal como se subray en la introduccin del tema, estimar un nmero muy elevado de
parmetros partiendo de un nmero de observaciones, por lo general, reducido resulta difcil o incluso,
en muchos casos, imposible.

c) Los valores de los retardos suelen presentar problemas de autocorrelacin y
multicolinealidad.

Para evitar esto la literatura relativa a los modelos de retardo ha planteado la posibilidad de que
la sucesin de parmetros [
]
se aproxime por una sucesin indefinida que siga una ley de formacin
conocida y que, precisamente, el conocimiento de esa ley de formacin permita que la especificacin
quede determinada por un nmero reducido de parmetros. En las dos secciones de este epgrafe
vamos a ver algunas de esas leyes de formacin.

En el cuarto epgrafe de este tema se pretende dar un paso ms en la comprensin de los
MRD infinitos al aportar una visin de este tipo de modelos desde la ptica de su aplicabilidad en el
contexto de los modelos de Teora Econmica. Es decir, acercaremos los modelos de retardos
distribuidos a la lgica de comportamiento de los agentes econmicos.

Finalizaremos el tema presentando en el epgrafe 5 las tcnicas habitualmente empleadas para
la estimacin de los MRD. Con este ltimo epgrafe daremos por concluido el anlisis de modelos
dinmicos.


6.3.1. MRD infinitos: Modelo de retardo geomtrico (Koyck)
21
.

Una de las leyes de formacin de los retardos, en un MRD infinitos, ms extendidas en la
literatura es la que considera que la sucesin de coeficientes para las variables decrecen de acuerdo a
una progresin geomtrica. Al modelo resultante de aplicar este tipo de suposicin (transformacin) se
le conoce como modelo de Koyck. Esa transformacin parte de la idea de suponer que todos los [
]

tienen el mismo signo no cambian- y siguen una progresin geomtrica decreciente (de razn

21
Recordemos que en una progresin geomtrica cada trmino es el anterior multiplicado (o dividido) en una
misma cuanta (a la que denominaremos razn de la progresin geomtrica).
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


80
2). En otras palabras, esta hiptesis implica que a medida que el nmero de retardos aumenta menor es
la influencia de la variable retardada sobre la variable explicada (Yt). As, partiendo de un MRD
infinitos que se expresa de forma genrica como:

t
= o +

X
t
+[
1
X
t-1
+[
2
X
t-2
+[
3
X
t-3
++u
t


El modelo de retardos geomtricos se obtiene del cumplimiento de la siguiente relacin:

k
= 2
k-1
con u < z < 1

y asumiendo que todos los tienen el mismo signo.

La condicin u < z < 1 se impone para garantizar que
j

]=1
es convergente
22
(de esta forma
evitamos que los valores pasados de X tengan ms impacto sobre Y conforme retrocedemos en el
tiempo). En otros trminos la restriccin sobre z implica que la reaccin es estable (|| < 1) y que la
trayectoria es montona (>0). A z se le conoce como la tasa de descenso del impacto y (1 -z)
ser la velocidad de ajuste; puesto que cuanto mayor sea z ms lenta ser la reaccin de la variable
explicada ante un cambio en la explicativa, y viceversa. Utilizando esta transformacin de Koyck nos
aseguramos que la suma total de impactos sobre la variable explicada sea una cantidad finita
23
. En
concreto el impacto (en el momento j) se podr expresar como:

j
= 2
j



Por lo que podramos escribir:

j
= 2
j-1
= 2
j



As el modelo de retardos geomtrico adoptara la expresin:

t
= o +[
0
z
]

]=0
X
t-]
+u
t
|z| < 1

En este modelo el multiplicador de impacto (o de corto plazo) sera [
0
, Pero cunto valdra el
multiplicador total (o de largo plazo)?. Recordemos que, por definicin, el multiplicador de largo
plazo resulta de la agregacin de todos los multiplicadores intermedios, o lo que es lo mismo
representa la reaccin total de la variable explicada ante un cambio en la variable explicativa. En este
sentido el multiplicador total ser:

1 +2 +2
2
+2

+ =

1 -2


Veamos con un modelo de demanda de dinero
24
(simplificado) cmo se obtiene esta
transformacin:

t
= o +[
0
R
t
+z[
0
R
t-1
+z
2
[
0
R
t-2
++u
t
u ~(u,

2
I

) (6.3.1.1)


22
La condicin de que z > u no es imprescindible, podramos aplicar la condicin |z| < 1, aunque se suele
imponer pues es ms realista desde un punto de vista prctico, ya que si no imponemos que z > u el signo de los
coeficientes [
]
se alternaran entre positivos y negativos (lo cual es bastante inusual).
23
Este tipo de especificacin resulta de escasa operatividad cuando los efectos retardados se manifiestan
suavemente al principio.
24
Siendo R
t
la Renta Permanente.
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


81
Pero la expresin anterior sigue teniendo infinitos retardos, por lo que seguiremos sin poder
estimarla. Sin embargo mediante dos simples pasos podemos derivar una especificacin que
resulta estimable. Para ello, en primer lugar, retardamos un periodo la ecuacin (6.3.1.1) y la
multiplicamos por la tasa de descenso del impacto (tambin denominado factor de descuento
temporal), obtenemos:

z
t-1
= zo +z[
0
R
t-1
+z
2
[
0
R
t-2
+z
3
[
0
R
t-3
++zu
t-1
(6.3.1.2)

Si a la expresin (6.3.1.1) le restamos la (6.3.1.2), y agrupamos, obtenemos el siguiente modelo, que es
el resultado de aplicar la transformacin de Koyck:

t
-z
t-1
= (1 -z)o +[
0
R
t
+(u
t
-zu
t-1
)

t
= (1 -z)o +[
0
R
t
+2
t-1
+(u
t
-zu
t-1
)

t
= (1 -z)o +[
0
R
t
+2
t-1
+
t
(6.3.1.3)

Empleando la nomenclatura de nuestro modelo genrico tendramos:

t
= (1 -z)o +[
0
X
t
+2Y
t-1
+
t
(6.3.1.4)

A este tipo de ecuacin se le denomina forma autorregresiva (AR), puesto que aparece la variable
endgena retardada como variable explicativa) o forma final del retardo distribuido. Este es un
Modelo Dinmico Autorregresivo (1,0), teniendo en cuenta que la forma genrica para cualquier
Modelo Dinmico Autorregresivo (n,m), siendo n y m el nmero de retardos de la variable
endgena y de la exgena, respectivamente, es:

t
= o +[
0
X
t
+[
1
X
t-1
++[

X
t-
+y
1
Y
t-1
++y

Y
t-
+u
t


Adems es importante resear que la transformacin de Koyck nos conduce a un modelo cuyo
trmino de perturbacin presenta una estructura MA(1).

A partir de la expresin (6.3.1.3) podremos estimar el valor de o, [
0
z (coeficiente de
t-1
).
Por tanto mediante la transformacin de Koyck hemos pasado de un modelo en el que habra
que estimar infinitos parmetros a uno en el que slo hay que estimar ,

2 . De ah que
mediante la transformacin de Koyck podamos obtener el valor del multiplicador de impacto y
del de largo plazo de forma sencilla. Adems habremos reducido los potenciales problemas de
multicolinealidad.

El valor de , partiendo de los obtenidos en la transformacin de Koyck, ser:

o

= (1 -z)o =
o

(1 -z)


En el grfico (6.3.1.1) se muestra una representacin de la distribucin de los retardos en una
transformacin tipo Koyck, para distintos valores posibles de z.


Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


82
Grfico 6.3.1.1. Retardos tipo Koyck



Pero esos beneficios no son gratuitos, puesto que ahora tendremos que enfrentarnos a
dificultades a la hora de estimar este tipo de modelo transformado: la variable endgena retardada que
acta como explicativa (Y
t-1
) est correlacionada con el nuevo trmino de perturbacin
t
= (u
t
-
u
t-1
), y este ltimo puede presentar problemas de autocorrelacin, y los estimadores como
consecuencia de la presencia de estimadores estocsticos- sern sesgados e inconsistentes (sesgadez
asinttica), por lo que sera conveniente recurrir a la estimacin por Variables instrumentales. Volveremos
ms tarde sobre esta cuestin.

Otras cuestiones aparejadas a esta transformacin son:

a) Supone una trayectoria exponencial (al seguir los retardos una progresin geomtrica).

b) El fundamento econmico de esta transformacin se suele cuestionar puesto que la
transformacin parte de un procedimiento matemtico para facilitar la obtencin de los
valores de los parmetros en un modelo de infinitos retardos.

Una vez obtenido el valor de los parmetros podemos calcular medidas de tendencia del
impacto de los retardos, es decir podemos analizar las caractersticas dinmicas de este modelo:

a) Estabilidad: Para determinar la estabilidad calcularemos:

-
j

j=
< : [
]

]=0
= [
0

]=0
z
]
=[
0
z
]
]=0
=[
0
(1+z
1
++z
]
)=
[
0
1 -z
<
- |
j

j
=lim
]
[
0
z
]
=[
0
lim
]
z
]
=

b) Tipo de trayectoria: Como z > u todos los [
]
tienen el mismo signo, por lo que la
trayectoria es montona (no oscilante).

c) Retardo medio: En el caso del modelo de Koyck las ponderaciones vendrn definidas
por la expresin:

w
j
=

j

j

j=
=
2
j

1-2
=2
j
(1 -2)
0
2
4
6
8
10
12
0 1 2 3 4 5 6 7 8 9 10
Retardos
Lambda=0,9
Lambda=0,7
Lambda=0,5
Lambda=0,3
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


83

Siendo esta ponderacin la proporcin en el momento j del impacto (multiplicador) de largo plazo o
total.

Por tanto el retardo medio que ser la suma de esas ponderaciones (multiplicadas por el momento
temporal en el que se producen) tomar el valor:

]w
]
=

]=0
]z
]
(1 -z) =

]=0
(1 -z) ]z
]
= (1 -z)|z +2z
2
+Sz
3
+] =

]=0

= (1 -z)|z +z
2
+z
3
+] +|z
2
+z
3
+] +|z
3
+]=(1 -z)
x
1-x
+
x
2
1-x
+
x

1-x
+ =
=z|1 +z +z
2
+] =

1-


En el ejemplo presentado en el tema 5 para medir la relacin entre consumo e inversin, que vena
expresada mediante la siguiente ecuacin:

C
t
= S,u4 +u,66I
t
+u,28C
t-1
+u
t

El retardo medio valdr:

u,28
1 -u,28
u,S9

lo que implica que el retardo medio se sita en torno a 0,39 aos (o en la unidad temporal en la que
vengan expresadas las variables del modelo). En otras palabras, un cambio en la inversin afectar al
consumo agregado, por trmino medio, casi 5 meses
25
despus.

Adems el modelo ser estable, puesto que z = u,28(< 1), y su trayectoria ser montona, puesto
que z > u.

El retardo medio tambin podemos calcularlo haciendo uso del operador de retardos. Veamos
cmo:

B(I) = [
0
+[
1
I +[
2
I
2
+[
3
I
3
+=[
0
+[
0
zI +[
0
z
2
I
2
+[
0
z
3
I
3
+

B(I)

= [
0
z +2[
0
z
2
I +S[
0
z
3
I
2
+

B(1) = [
0
+[
0
z +[
0
z
2
+[
0
z
3
+=
[
0
1-2


B(1)

= [
0
z +2[
0
z
2
+S[
0
z
3
+=
[
0
|z +z
2
+z
3
+] +|z
2
+z
3
+] +|z
3
+]=
[
0
_
z
1 -z
+
z
2
1 -z
+
z
3
1 -z
+_ =
[
0
(1 -z)
|z +z
2
+z
3
+] =
=
[
0
(1 -z)
z
1 -z


Por tanto el retardo medio:
B(1)

B(1)
=

0
(1-Z)
Z
1-Z

0
(1-Z)
=

1-
.


25
Resulta de multiplicar 0,39 por los meses de un ao.
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


84
d) Retardo mediano: Recordemos que es el tiempo (retardo) necesario para que se
produzca el 50% del efecto (reaccin) de los cambios en la variable explicativa sobre la variable
explicada
26
:

[
]
r
]=0
[
]

]=0
=0,5

O, lo que es lo mismo, el tiempo que tarda en producirse la mitad del impacto sobre la variable
explicada ante una variacin en la variable explicativa. En trminos algebraicos tendramos que el
retardo mediano adoptara la expresin:

t

= w
-1
]=0
]
= u,S = 2
j
(1 -2)
-1
]=0
=0,5=
(1 -z)|1 +z
1
+z
2
+]) =Suma de los elementos de una progresin geomtrica
limitada=(1 -z)
1-x
rm-1
x
1-x
= u,S 1 -2
r
= , 5

z
t
rm
= 1 -u,S t logz = logu,S t =
logu,S
logz

De esta forma el retardo mediano en el ejemplo del modelo de consumo:

t

=
Iog0,5
Iog0,28
= u.S44 aos

Por tanto el retardo mediano es 0,544 aos, es decir aproximadamente seis meses y medio.

Ntese que si quisiramos calcular en qu momento se ha acumulado el 70% de la reaccin (es decir el
decil siete, o percentil setenta) tendramos que calcular:

z
t
= u,S t

logz = logu,S t

=
|ug,
|ug2


En nuestro ejemplo, el retardo que acumula el 70% de la reaccin sera:

t

=
Iog0,3
Iogx
=
Iog0,3
Iog0,28
= u.946 aos


6.3.2. MRDI: Modelo de retardo racional general (Jorgenson).

El modelo de retardos distribuidos geomtricos es bastante restrictivo en cuanto a la
distribucin de los retardos. Por lo que es oportuno proponer un MRD infinitos ms general, y que de
esta forma permita abarcar ms casusticas.

En este sentido una aproximacin ms general
27
que podemos adoptar para facilitar la
estimacin de un MRD infinitos es la propuesta por Jorgenson (1966), que emplea lo que se conoce
como estructura de retardo racional general, y cuya expresin es:


(6.3.2.1)



26
Vamos a denotar por rm el momento en el que se alcanza el 50% del cambio total.
27
Y que adems permite mantener las ventajas del MRDF en la forma polinomial de Almon.
Y
t
=

+
B(L)
A(L)
X
t
+u
t

Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


85
con u ~(u,

2
I

) , y donde B(I) y A(I) son dos polinomios en L (operador de retardos) de orden m y


n, respectivamente, siempre que m<n y que los polinomios no posean races comunes. La expresin
anterior tambin se puede presentar como:

t
= o

+(I)X
t
+u
t
(6.3.2.2)
donde (I) =
B(L)
A(L)
.

La expresin del polinomio [(I) es:

[(I) = [
0
+[
1
I +[
2
I
2
+[
3
I
3
++[


y
A(I) = o
0
-o
1
I -o
2
I
2
-o
3
I
3
--o
n
I
n


Si asumimos un valor de

= 1, desarrollando la expresin (6.3.2.1) obtenemos:


t
-o
1

t-1
-o
2

t-2
--o
n

t-n
= o +[
0
X
t
+[
1
X
t-1
+[
2
X
t-2
++[

X
t-

+A(I)u
t


Y
t
= +
1
Y
t-1
+
2
Y
t-2
++

Y
t-
+

X
t
+
1
X
t-1
+
2
X
t-2
++

X
t-
+
A(L)u
t
(6.2.2.3)

donde o = o

(1 -o
1
-o
2
--o
n
).

De forma simplificada podemos expresar el modelo como:

Y
t
= +

Y
t-

=1
+
j

j=
X
t-j
+A(L)u
t


El modelo de retardos de Koyck se puede obtener como un caso particular de esta estructura de
retardos racional general (puesto que resultar de excluir los valores retardados de la variable exgena).

La nica restriccin que impone Jorgenson es que m<n, es decir el nmero de retardos en la
variable exgena sea menor que el de la endgena retardada.

Una vez obtenido el valor de los parmetros podemos calcular medidas de tendencia del
impacto de los retardos, es decir podemos analizar las caractersticas dinmicas de este modelo:

a) Estabilidad: En este tipo de modelos las condiciones de estabilidad vendrn determinadas
por:

- Las races de la ecuacin caracterstica, que no es ms que la solucin homognea
de una ecuacin en diferencias; puesto que el modelo de Jorgenson equivale a una
ecuacin en diferencias de orden n (al ser un modelo autorregresivo de orden n):

z
n
-o
1
z
n-1
--o
n
= u, se tendr que cumplir que las races:
|z

| < 1.

- Las races del polinomio de retardos correspondiente a la parte autorregresiva
del modelo (retardos en Yt).

1 -o
1
I -o
2
I
2
-o
3
I
3
--o
n
I
n
= u, se tendr que cumplir que las races son:
|1k

| < 1 y, por tanto, que |k

| > 1.

Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


86

b) Tipo de trayectoria: La trayectoria vendr determinada tambin a partir de las races de la
ecuacin caracterstica y del polinomio de retardos, de tal forma que se pueden presentar las
siguientes situaciones:

- Races positivas: Trayectoria montona.
- Races negativas o complejas: Trayectoria oscilante.


c) Multiplicador total: En este caso se puede demostrar que el multiplicador total (suma de los
coeficientes de reaccin
28
), cuyos valores se obtienen por simulacin en las aplicaciones
empricas, valdr:

B(1)
A(1)
=
[
0
+[
1
+[
2
+[
3
++[

1 -o
1
-o
2
--o
n



d) Retardo medio: Vendr determinado por la expresin:

|
(1)
(1)
=
B
|
(1)
B(1)
-
A
|
(1)
A(1)
,

(I)=
B
|
(L)A(L)-B(L)A
|
(L)
|A(L)]
2
=
B
|
(L)
A(L)
-(L)
A
|
(L)
A(L)


Dividiendo la expresin anterior por D(L) tenemos:

i
(I)
(I)
=
B
i
(L)
A(L)
A(L)
B(L)
-
A
i
(L)
A(L)
=
B
i
(I)
B(I)
-
A
i
(I)
A(I)



Que evaluado en un valor de L=1 nos dar:

i
(1)
(1)
=
B
i
(1)
B(1)
-
A
i
(1)
A(1)


puesto que la derivada de D(L) valdr:

(I)= z +2z +Sz


2
+, y D(1) es el valor del
polinomio cuando hacemos L=1: z
]

]=0
=
B(1)
A(1)
=multiplicador total.

e) Retardo mediano: Hay que hacerlo de forma emprica, es decir acumulando los
multiplicadores intermedios hasta alcanzar la mitad del impacto total (dividiendo el
multiplicador de impacto total entre dos). Esto se debe a que no hay una frmula genrica que
nos permita obtenerlo.


Al igual que ocurra con la transformacin de Koyck el fundamento econmico de esta
transformacin se suele cuestionar puesto que la transformacin parte de un procedimiento
matemtico para facilitar la obtencin de los valores de los parmetros en un modelo de infinitos
retardos.

Veamos el siguiente ejemplo (tabla 6.3.2.1) en el que se puede observar la diferencia de
resultados que se obtienen de especificar, alternativamente, un modelo de retardos distribuidos tipo
Koyck y uno de retardo de estructura racional general. En el ejemplo se analiza el comportamiento de

28
Recordemos que tambin se les puede denominar multiplicadores dinmicos.
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


87
la inversin en viviendas (en logaritmos; logInv) como funcin del crecimiento en el precio de las
mismas. Los resultados obtenidos de estimar empleando MCO se presentan en la siguiente tabla:

Tabla 6.3.2.1
Variables explicativas Retardos de Koyck Retardos racionales
Preciot

logInvt-1

Preciot-1

Constante
3,108
(0,933)
0,340
(0,132)
-

-0,010
(0,018)
3,256
(0,970)
0,547 (= z)
(0,152)
-2,936
(0,973)
-0,578
(0,307)
Nmero de observaciones 41 40
R
2
ajustado
0,375 0,504
Multiplicador total 4,688 0,706
Fuente: Wooldridge (2005, pg. 681).

Los resultados muestran que el coeficiente de la variable endgena retardada es significativo, y que el
coeficiente de determinacin ajustado es mayor en el caso de que se incluya este trmino (es decir,
cuando asumamos una estructura de retardos racional), por tanto el impacto total de la variable
explicativa es mucho menor
29
que el que muestra la estimacin que supone una estructura de retardos
tipo Koyck. Lo que es ms si realizamos el contraste E
0
: [
0
+[
1
= u, obtendremos que tanto a un
nivel de significacin del 1%, como del 5%, como del 10% no podremos rechazar la hiptesis nula, y
por tanto no podemos rechazar que el impacto a largo plazo sea distinto de cero.


Veamos otro ejemplo:

Partiendo del siguiente modelo dinmico:

t
=
SI
1 -u,9I +u,1I
2
X
t
+c
t


En el que las unidades temporales son trimestres.

Determine:
a) El multiplicador total.
b) El retardo medio.
c) Los coeficientes de X
t-]
para j = 0,1, 2, 3


Para contestar a estas cuestiones en primer lugar es conveniente diferenciar los valores del polinomio
B(L) = 5L y A(L) = 1 0,9L + 0,1L
2
.

Las races del polinomio A(L) (6,55 y 2,45) son mayores de uno y en consecuencia el modelo es estable
y la trayectoria montona (>0).




a) Obtencin del multiplicador total:

29
En el modelo de retardo racional el impacto total =
[
0
+[
1
1-u
0
.
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


88

(1) =
B(1)
A(1)
=
[
1
1 -o
1
-o
2
=
S
1 -u,9 +u,1
= 2S

En cuanto a los multiplicadores de impacto e intermedios:

El Multiplicador intermedio de orden 1 (efecto un periodo despus):
m1=S 1 +u,9 u -u,1 u = S
m2=u +u,9 S = 4,S
m3=u,9 4,S -u,1 S = S,SS

Ms exactamente teniendo en cuenta que para el retardo de orden 3 el impacto es 3,55 se
tendr, va una proporcionalidad: 12,5-9,5=3 3/3,55=0,84, por tanto el retardo mediano sern 2,84
trimestres (8 meses y medio aprox.).

b) El retardo medio:

]x
]

]=1
x
]

]=1
=

(1)
(1)
=
B

(1)
B(1)
-
A

(1)
A(1)
=
5
5
-[
-0,9+20,1
1-0,9+0,1
= 1 -(-S,S) = 4,S trimestres

c) Los coeficientes de X
t-]
para j = 0,1, 2, 3.

Partiendo de:

(I) =
[(I)
A(I)
=
SI
1 -u,9I +u,1I
2


Podemos obtener la siguiente igualdad:

[
0
(1 -u,9I +u,1I
2
) +[
1
I(1 -u,9I +u,1I
2
) +[
2
I
2
(1 -u,9I +u,1I
2
)++[
]
I
]
(1 -u,9I +
u,1I2=5L

Reagrupando tendremos:

[
0
+([
1
-u,9[
0
)I +([
2
-u,9[
1
+u,1[
0
)I
2
++([
]
-u,9[
]-1
+u,1[
]-2
)I
]
= SI

Resolviendo las diferentes igualdades, trmino a trmino, obtendremos:

[
0
=0
[
1
-u,9[
0
=5 [
1
= S
[
2
-u,9[
1
+u,1[
0
= u [
2
= 4,S
[
3
-u,9[
2
+u,1[
1
= u [
3
= S,SS

A partir de esa informacin sobre el polinomio D(L), el modelo que perseguamos obtener
como solucin a este apartado ser:

Y
t
=(5L + 4,5I
2
+3,55I
3
+ ........)X
t
+ u
t


Y
t
=5X
t-1
+ 4,5X
t-2
+3,55X
t-3
+ .......+ u
t






Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


89
6.4. Justificacin en trminos de teora econmica de los MRD.

Hasta ahora hemos evaluado distintos tipos de MRD sin tomar en consideracin la
informacin a priori que puede aportar la Teora Econmica, y que puede ayudarnos a formular
especificaciones que permitan caracterizar los procesos de toma de decisiones por parte de los agentes
econmicos. En otras palabras, podemos llegar a una determinada especificacin de un modelo de
retardos a travs de simplificaciones que faciliten el proceso de estimacin, tal como habamos hecho
hasta ahora (epgrafes previos de este tema) o, por otro lado, a travs de un determinado supuesto
sobre el comportamiento de los agentes econmicos. En esta seccin vamos a centrarnos en este
segundo enfoque de planteamientos tericos que conducen a una especificacin dinmica, analizando
dos tipos de hiptesis de comportamiento: ajuste parcial (subepgrafe 6.4.1) y expectativas
adaptativas (subepgrafe 6.4.2). Ambas hiptesis tienen como factor comn suponer una estructura de
retardos geomtrica. Por tanto en este epgrafe tratamos de superar la falta de fundamento econmico de
las especificaciones tipo Koyck y Jorgenson.

Para ejemplificar el fundamento de esas hiptesis sobre el comportamiento de los agentes
econmicos pensemos en el siguiente modelo:

C
t
= o +[
0
I
t
d
+[
1
I
t-1
+[
2
r
t
+u
t


Donde C
t
es el consumo de los hogares, I
t
d
es la renta disponible de los hogares, I
t-1
es la riqueza de
los hogares al comienzo del periodo y r
t
el tipo de inters. En las relaciones establecidas en ese modelo
se parte de la idea, a priori, que un aumento de la renta disponible no tiene porque reflejarse en su
totalidad en un aumento del consumo, y que el consumo no cambie inmediatamente al hacerlo la renta,
sino que haya un proceso de ajuste ms o menos rpido- en el tiempo. Esas dos posibles situaciones
son las que tienen su manifestacin en la hiptesis de expectativas adaptativas (para modelizar cmo se
incorpora la renta al consumo) y la hiptesis de ajuste parcial (para modelizar el proceso de ajuste del
consumo ante una variacin en la renta).


6.4.1. Modelo con rigideces. Hiptesis de ajuste parcial HAP).

La primera de las hiptesis que vamos a analizar es la que da lugar a los modelos de ajuste
parcial (Nerlove, 1956), en los que los retardos distribuidos son consecuencia de rigideces en el
comportamiento econmico (por ejemplo como consecuencia de hbitos), es decir a la falta de flexibilidad en
el comportamiento de determinadas variables econmicas. Es muy importante subrayar que vamos a
suponer la permanencia en el tiempo de cualquier cambio exgeno, de forma que no haya
incertidumbre acerca del futuro (en otras palabras, no existe incertidumbre respecto a la evolucin
futura de las expectativas).

Si partimos de un modelo en el que el valor de equilibrio a largo plazo de una variable Y
t

(que denotaremos por
t

) es funcin de una serie de condiciones exgenas:


= o +[X
t
+u
t
(6.4.1.1)

Puesto que el valor de equilibrio a largo plazo es inobservable, no podremos estimar los
parmetros de la expresin anterior (6.4.1.1). Por tanto es necesario formular algn tipo de hiptesis
sobre cmo se produce el ajuste de Y
t
para llegar a la situacin de equilibrio a largo plazo
(Y
t

). Si hacemos el supuesto de ajuste parcial llegamos a dos expresiones alternativas en funcin de


cmo se mida el tiempo. En modelos en los que el tiempo se expresa de forma discreta tendremos:

t
-
t-1
= (. )(
t

-
t-1
) (6.4.1.2)

En modelos en los que el tiempo se expresa de forma continua tendremos:

Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


90
d(t)
dt
= (. )|

(t) -(t -1)] (6.4.1.3)



Con u < (. ) < 1, para que el modelo sea estable e incluir la condicin de no negatividad, es decir
para garantizar su convergencia.


Cmo interpretar esta hiptesis de ajuste parcial?

La expresin de la hiptesis implica suponer que el cambio que se produce en la variable bajo
anlisis Y de un momento temporal al siguiente guarda una relacin de proporcionalidad con la
diferencia entre el valor a largo plazo de Y y el nivel real del ltimo periodo previo (
t-1
). Es decir se
explica a partir de un proceso de ajuste parcial marcado por (. ). Puesto que, como sealamos antes,
la hiptesis de ajuste parcial se traduce en trminos dinmicos en un modelo de retardos geomtricos, y
siguiendo la nomenclatura del modelo de retardos geomtricos por excelencia (retardos de Koyck),
podemos expresar la hiptesis de ajuste parcial como
30
:

u < z < 1 (6.4.1.4)

donde, recordemos, z es la tasa de descenso del impacto (coeficiente o parmetro de ajuste) y
(1 -z) es la velocidad de ajuste .

Como aplicacin podemos pensar, por ejemplo, en el caso en el que una persona fije el nivel
ptimo (o valor de largo plazo) de ahorro en funcin de su salario. Si reagrupamos la expresin
(6.4.1.4), tendremos:

t
= (1 -z)
t

+z
t-1
(6.4.1.5)

Que tambin podemos expresar como:

t
-z
t-1
= (1 -z)
t



(1 -zI)
t
= (1 -z)
t

=
(1-xL)
t
(1-x)
(6.4.1.6)

De esta forma podemos expresar la hiptesis de ajuste diciendo que el nivel real actual de ahorro es
una media ponderada del nivel ptimo o nivel deseado y el nivel real del ltimo periodo (previo
al actual). Si ahora incorporamos la expresin (6.4.1.1) en la (6.4.1.5) llegamos a:

t
= (1 -z)o +[(1 -z)X
t
+z
t-1
+(1 -z)u
t

t
= (1 -z)o +[(1 -z)X
t
+z
t-1
+
t
(6.4.1.7)

Que es el modelo autorregresivo. En (6.4.1.4) podemos observar que si =1 entonces se deduce que el
nivel real de ahorros es fijo, no cambia de periodo a periodo; sin que, por tanto, tenga importancia la
diferencia con su valor deseado u ptimo, puesto que (Y
t
= Y
t-1
) y su diferencia con el nivel
deseado sera siempre la misma, es decir implica suponer que el nivel de ahorro es fijo. En trminos
generales, en ese caso, podemos afirmar que el valor de Y
t
no cambia, independientemente de que
cambien las variables exgenas.

En cambio, si =0, podemos inferir que (Y
t
= Y
t

), en consecuencia el nivel de ahorros en cada


periodo es igual al deseado. Es decir el nivel ptimo se alcanza periodo a periodo, o, otras palabras, el
ajuste es instantneo. Por tanto cuanto mayor es el valor de mayor es el grado de rigidez, es
decir ms lento es el proceso de ajuste, y viceversa para valores de z cercanos a 0.

30
Centrndonos en la expresin correspondiente a un modelo en tiempo discreto.
Y
t
-Y
t-1
= (1 -2)(Y
t

-Y
t-1
)
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


91

Atendiendo al ejemplo planteado en la introduccin al epgrafe la hiptesis de ajuste parcial
implica que ante un descenso en el nivel de renta del consumidor/a ste intentar mantener el nivel de
consumo deseado, en el corto plazo, y en el largo plazo tendr que adaptarse al nivel de consumo
correspondiente al nuevo nivel de renta. En trminos algebraicos esto vendra representado por:

C
t
-C
t-1
= z(C
t

-C
t-1
)

La nica diferencia del modelo de ajuste parcial y el de Koyck reside en el trmino de
perturbacin, puesto que en el modelo de ajuste parcial el trmino de perturbacin no presentar
problemas de autocorrelacin si u
t
es ruido blanco.

En cuanto a las caractersticas dinmicas del modelo, ste ser estable y con trayectoria
montona (al igual que en el modelo de Koyck). Respecto a los multiplicadores, teniendo en cuenta
la expresin (6.4.1.7) llegamos a los siguientes valores para los multiplicadores:

m

= [(1 -z)
m
1
= [(1 -z)z=m
0
z
m
2
= [(1 -z)z
2
=m
0
z
2


m
t
=
[(1-x)
(1-x)
=[, esto resulta obvio si tenemos en cuenta que
t

= o +[X
t
+u
t
, es
decir que la relacin entre X
t
y el valor de equilibrio a largo plazo viene determinada por el coeficiente
[.

De forma anloga:
Retardo medio:
x
(1-x)



6.4.2. Modelo con incertidumbre. Hiptesis de expectativas adaptativas (HEA)
31
.

En el contexto de la Economa las decisiones tomadas por los agentes econmicos suelen
responder a un esquema de formacin de expectativas acerca del valor que pueden tomar determinadas
variables en funcin de su comportamiento pasado, puesto que los agentes se enfrentan en general a
un alto grado de incertidumbre. Ese proceso de formacin de expectativas se basa en la informacin
acumulada durante un determinado nmero de periodos; de ah que los modelos de retardos
distribuidos pueden ayudar a modelizar el esquema de formacin de expectativas. As, como alternativa
a la hiptesis de ajuste parcial, en la que suponamos rigideces en el comportamiento econmico, pero
certidumbre acerca de las expectativas, ahora vamos a plantear, basndonos en la Teora Econmica, el
caso en el que existe incertidumbre sobre el valor futuro de equilibrio (largo plazo)
32
que puede
alcanzar la variable explicativa. En este contexto abordaremos el estudio de la denominada hiptesis
de expectativas adaptativas (Cagan, 1956). Analicemos este modelo desde un punto de vista
algebraico. Si partimos de un modelo en el que el nivel de la variable endgena
t
depende de un valor
no observado de expectativas de la exgena X
t
c
(valor esperado de X
t
) tendremos:

t
= o +[X
t
c
+u
t
(6.4.2.1)


31
Tambin se emplean las denominaciones expectativas adaptables, expectativas progresivas y aprendizaje
por error. Esta modelizacin fue extendida gracias a los trabajos seminales de Cagan (1956) y Friedman (1957).
32
Cuando hay incertidumbre sobre el valor futuro que puede adoptar una variable, el agente econmico actuar
de acuerdo con las expectativas que se forme en relacin a la evolucin futura de determinadas variables
econmicas.
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


92
Al ser el valor de las expectativas un valor inobservable no podremos estimar los parmetros del
modelo, por lo que recurriremos a la hiptesis de expectativas adaptativas, que se puede formular
como
33
:

u < z < 1 (6.4.2.2)

Las expectativas se revisan (actualizan) en funcin de las desviaciones observadas entre el valor
corriente de X (X
t
) y el valor esperado en un periodo previo. As si el valor observado para X en el
momento t es mayor que la expectativa que se haba formado respecto a ese valor en un periodo
anterior se revisarn al alza las expectativas (X
t
c
ser mayor que X
t-1
c
). En este sentido, si =1 entonces
de (6.4.2.2) se est asumiendo que las expectativas acerca de la variable X no cambian en el tiempo (son
estticas), puesto que X
t
c
= X
t-1
c
. Por el contrario si =0 las expectativas son totalmente adaptativas
(100% adaptativas) puesto que el valor que se espera en el futuro para Xser igual al realmente
observado en el momento actual (X
t
c
= X
t
), lo que implcitamente supone obviar la informacin que
llev a generar las expectativas en el pasado. Es decir, valores cercanos a 0 de lambda implican mayores
cambios en las expectativas.

Desde la ptica del ejemplo planteado en la introduccin al epgrafe la hiptesis de
expectativas adaptativas se ajustara perfectamente a la teora de renta permanente, que parte de la
idea de que las decisiones de consumo se toman en funcin de la renta esperada (I
t
d
que en trminos
genricos se puede denotar como X
t
c
), que sera la renta permanente. En este contexto la hiptesis
implica que la renta permanente de los hogares se ajusta con cierto retraso (que vendr regulado por el
valor de z) a las variaciones de la renta corriente, es decir:
I
t
c
-I
t-1
c
= z(I
t
d
-I
t-1
c
)

Volviendo a la notacin genrica empleada, la igualdad (6.4.2.2) se puede expresar tambin
como:

X
t
c
= (1 -z)X
t
+zX
t-1
c
(6.4.2.3)

Si partimos de un momento temporal inicial muy alejado en el pasado del momento actual (t)
obtendremos una expresin para el valor que adopta el valor esperado de X (X
t
c
), sin ms que ir
sustituyendo en la expresin los valores retardados hasta llegar al momento temporal inicial (0):

X
t
c
= (1 -z)X
t
+z(1 -z)X
t-1
+z
2
(1 -z)X
t-2
+ (6.4.2.4)

Es decir:

X
t
c
= z
]
]=0
(1 -z)X
t-]
(6.4.2.5)

Por tanto el valor esperado de X
t
(X
t
c
) es una media ponderada, con ponderaciones
decrecientes, de los valores pasados de X
t
. Esas ponderaciones siguen una progresin geomtrica de
razn z
S4
, es decir los coeficientes decrecen a una tasa z a medida que retrocedemos en el tiempo.


33
Esta es la aproximacin discreta que resulta de sustituir en:
JX
c
(t)
Jt
= (1 - z)|X(t) - X
c
(t)]
La derivada por una diferencia finita.
34
La suma de las ponderaciones, por construccin, ser igual a la unidad, al igual que ocurra en el modelo de
Koyck: z
]
]=0
(1 - z) =
(1-x)
(1-x)
= 1.
X
t
c
-X
t-1
c
= (1 -z)(X
t
-X
t-1
c
)
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


93
Para proceder a la estimacin de los parmetros de (6.4.2.1) y de z tendremos que introducir
en la expresin (6.4.2.1) el valor de las expectativas sobre X (6.4.2.5), puesto que X
t
c
es inobservable,
obtenindose:

Y
t
= + 2
j
(1 -2)

j=
X
t-j
+u
t
(6.4.2.6)

O lo que es lo mismo:

t
= o +[(1 -z)X
t
+[(1 -z)|zX
t-1
+z
2
X
t-2
+] +u
t
(6.3.2.7)

Al modelo descrito por esta expresin (6.4.2.7) se le conoce como forma de retardos distribuidos. Si
sobre la anterior expresin (que tiene infinitos retardos) aplicamos la transformacin de Koyck, para
hacerla estimable, obtendramos:

t
= o(1 -z) +[(1 -z)X
t
+z
t-1
+|u
t
-zu
t-1
] (6.4.2.8)

o de forma equivalente
35
:

t
= o(1 -z) +[(1 -z)X
t
+z
t-1
+
t
(6.4.2.9)

Esta ltima expresin es anloga a (6.3.1.4), que es la especificacin que obtuvimos cuando
restringimos, mediante la transformacin de Koyck, un MRD infinitos. Al igual que sealbamos
entonces, es importante volver a subrayar que la expresin (6.4.2.9)
36
hace referencia a una forma
autorregresiva en la que el trmino de perturbacin (a diferencia de lo que ocurra en el
modelo de ajuste parcial) presenta un esquema MA(1) de autocorrelacin.

Este modelo autorregresivo podra, en principio, estimarse por MCO o por Mnimos
Cuadrados en 2 Etapas (MC2E)
37
. Sin embargo en la seccin 6.5 (ms adelante) veremos que este tipo
de modelos llevan aparejados una serie de complicaciones a la hora de su estimacin que hacen que en
muchas ocasiones estos mtodos de estimacin nos conduzcan a estimadores que no son consistentes,
salvo que se hagan una serie de asunciones.

En lo que concierne a las caractersticas dinmicas, tendremos que el modelo es estable y la
trayectoria montona, puesto que u < z < 1. Respecto a los multiplicadores, stos valdrn:

m

= [(1 -z)
m
1
= [(1 -z)z=m
0
z
m
2
= [(1 -z)z
2
=m
0
z
2


m
t
=
[(1-x)
(1-x)
=[, esto resulta obvio si tenemos en cuenta que
t
= o +[X
t
c
+u
t
.
Retardo medio:
x
(1-x)





35
El modelo de ajuste parcial se puede generalizar, incluyendo variables explicativas adicionales. Sin embargo, si
aadimos nuevas variables explicativas en el modelo de expectativas adaptativas se originan problemas de
sobreidentificacin (habr ms ecuaciones que incgnitas en la forma estructural del sistema).
36
Si en una especificacin de este tipo las variables aparecen expresadas en logaritmos, podramos interpretar
[(1 - z) como la elasticidad a corto plazo y [ como la elasticidad a largo plazo. Puesto que de (3.2.2.) podemos ver
que:
ln
t
= o(1 - z) + [(1 - z)lnX
t
+ zln
t-1
+
t

37
Si los residuos estuvieran autocorrelacionados los estimadores de la primera etapa de la estimacin por MC2E
seran inconsistentes.
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


94
6.5. Estimacin de modelos dinmicos autorregresivos.

Por centrarnos en uno de los modelos cuya aplicacin suele resultar ms realista en trminos
de disponibilidad de datos y ajuste a fenmenos econmicos vamos a profundizar en el anlisis de los
modelos dinmicos autorregresivos, particularizando en el modelo ms extendido de este tipo (modelo
de Koyck).

Partiendo de un modelo autorregresivo tipo Koyck:

Y
t
= +

X
t
+2Y
t-1
+
t


donde
t
= u
t
-2u
t-1
, y = (1 -2)

; siendo
t
ruido blanco.

Este tipo de modelos (autorregresivos) plantean por su propia definicin una cuestin previa
Podemos tratarlos como un modelo de regresin lineal clsico? La respuesta es no, puesto que los
modelos autorregresivos incluyen la variable explicada retardada como explicativa, y, por tanto,
contiene un regresor estocstico. Vamos a analizar esta particularidad incidiendo especialmente en
dos posibles situaciones, cuando los trminos de error no estn autocorrelacionados y cuando s lo
estn, evaluando las implicaciones de esto en trminos de la estimacin mediante MCO de los
parmetros del modelo.

Recordemos, como paso previo para una mejor comprensin de este epgrafe, que tal como se
vio en el ltimo tema de la asignatura Econometra I, en el caso en el que los trminos de error estn
autocorrelacionados estaramos en presencia de lo que se conocen como perturbaciones no esfricas,
puesto que partiendo de:

Ior(u) = Euu

= E
l
l
l
l
l
l
l
l
l
l
l
l
l
u
1
u
2
.
.
.
u

1
1
1
1
1
1
|u
1
u
2
u
n
]
1
1
1
1
1
1
1
=
l
l
l
l
l
l
E(u
1
2
) E(u
1
u
2
) E(u
1
u
n
)
E(u
2
u
1
) E(u
2
2
) E(u
2
u
n
)
. . .
. . .
. . .
E(u
n
u
1
) E(u
n
u
2
) E(u
n
2
) 1
1
1
1
1
1
=

=
l
l
l
l
l
l

2
E(u
1
u
2
) = u E(u
1
u
n
) = u
E(u
2
u
1
) = u
2
E(u
2
u
n
) = u
. . .
. . .
. . .
E(u
n
u
1
) = u E(u
n
u
2
) = u
2
1
1
1
1
1
1
=
2
u


Siendo una matriz simtrica y semidefinida positiva resultante de que Cov(ui,uj)=E(uiuj) =0, para

i = ].

Cules son las consecuencias para las propiedades del estimador por MCO de
(

MCO
) de la existencia de perturbaciones no esfricas?

a) El estimador [
`
MC0
sigue siendo lineal. e insesgado.

b) El estimador [
`
MC0
no es ptimo.

c) Las propiedades asintticas de

MCO
se mantienen, puesto que ser consistente.

d) Puesto que Far(

MCO
) =

2
(X

X)
-1
los estadsticos t y F quedan invalidados.
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


95

Debido a la no optimalidad del estimador

MCO
se suele recurrir al estimador

MC6

(estimador por Mnimos Cuadrados Generalizados); que es un estimador ELIO y cuya expresin
es:

MC6
= (Xu
-1
X)
-1
Xu
-1
y

Se puede demostrar (no se presenta por claridad expositiva) que la diferencia entre la varianza de [
`
MC0

y la de [
`
MCu
es una matriz semidefinida positiva, por lo que la varianza de los estimadores por
Mnimos Cuadrados Generalizados ser siempre menor que la de los estimadores por
Mnimos Cuadrados Ordinarios.

Una vez repasadas las posibles consecuencias de la presencia de perturbaciones no esfricas
vamos a centrarnos en dos posibles situaciones: cuando los trminos de error no estn
autocorrelacionados y cuando si lo estn; evaluando las implicaciones de esto en trminos de la
estimacin mediante MCO de los parmetros del modelo.

Esquema de las posibles situaciones:
- u
t
no autocorrelacionado: Este sera el caso en modelos como el de ajuste parcial
en el que u
t
sea ruido blanco.
- u
t
autocorrelacionado
38
: Este sera el caso en modelos con expectativas adaptativas
en el que u
t
sea ruido blanco. Aqu podemos el caso en el que la autocorrelacin sea
de tipo AR(1) o MA(1).


6.5.1. Trminos de error (residuos) no autocorrelacionados.

En el modelo de Koyck, si podemos suponer que el trmino de error (u
t
) no est
autocorrelacionado podramos, en principio, emplear los estimadores MCO para obtener el valor de
los tres parmetros (o, [
0
, z), puesto que el estimador MCO mantendra sus buenas propiedades (el
estimador de o, [
0
, z sera consistente y el de su varianza tambin).

Sin embargo, en el modelo anterior Y
t-1
es una variable aleatoria (estocstica)
39
, puesto que
depende del trmino de error (F(Y
t-1
,
t
) = ); esto introducira un sesgo en la estimacin mediante
muestras finitas salvo que pudiramos suponer la independencia entre
t-1
y
t
. En otras palabras,
esto implica que aunque
t
u
t
~(u,
2
I
n
), al existir un regresor que es estocstico el estimador por
MCO es sesgado en muestras pequeas:

38
En el caso de anlisis se series financieras, por ejemplo para intentar pronosticar la evolucin del valor de una
accin o de la inflacin, se puede presentar autocorrelacin en el tiempo de la varianza del trmino de
perturbacin al margen de en el propio trmino de perturbacin. A esta autocorrelacin se le denomina
Heteroscedasticidad Condicional Autorregresiva (da lugar a los modelos ARCH Autoregressive Conditional
Heteroskedasticity-), si la varianza del error est correlacionada con el trmino de error al cuadrado del periodo
anterior (ejemplo de ARCH(1)):

t
2
=
0
+
1
u
t-1
2

En cambio estaremos en presencia de Heteroscedasticidad Condicional Autorregresiva General (da lugar a los
modelos GARCH Generalized Autoregressive Conditional Heteroskedasticity-), si la varianza del error est
correlacionada con el trmino de error al cuadrado y su varianza en varios periodos anteriores. En otras palabras
estos modelos se utilizan cuando la varianza (variaciones=volatilidad) de las series se modifica con el tiempo. El
caso ms simple de modelo GARCH es el GARCH(1,1) que se representa algebraicamente como sigue:

t
2
=
0
+
1
u
t-1
2
+
2

t-1
2

Podemos general la expresin anterior para formular un modelo GARCH (p,q) a travs de la expresin:

t
2
=
0
+
1
u
t-1
2
++
p
u
t-p
2
+
1

t-1
2
+ +
q

t-q
2

El modelo GARCH(1,1) es equivalente a uno ARCH(2) y el GARCH (p,q) es equivalente al GARCH(p+q).
39
La variable exgena X puede tomarse como no aleatoria.
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


96

E[
`
= E|(X
i
X)
-1
Xu] +[, puesto que E|X
i
u] = u, es decir E|uX] = u

Y adems es inconsistente, puesto que p lim
n
[
`
= [.

No obstante si pudisemos suponer la no autocorrelacin
40
los sesgos disminuiran en el
caso de muestras grandes (propiedades asintticas). No lo vamos a demostrar, por simplicidad, pero
se puede llegar a obtener que el sesgo del estimador MCO de 2, partiendo de un modelo del tipo:

t
= z
t-1
+
t


depende en gran medida del tamao muestral
41
:

Scsgo z
`
=
2 z
Iomoo mucstrol


As, cuanto mayor sea el tamao muestral, menor ser el sesgo cometido al utilizar MCO, pero este
sesgo no desaparecer por lo que el estimador seguir siendo inconsistente.

p lim
n
[
`
= plim|[ +(X
i
X)
-1
X
i
u] = plim [ +plim_
1
n
(X
i
X)
-1
_ +plim|
1
n
X
i
u]

Si
1

X
i
u=0 p lim
n
[
`
= [ la estimacin por MCO es consistente.

Comprobemos si X

u=0
42
:

Y
t
=

X
t
+2Y
t-1
+u
t

Y
t-1
=

X
t-1
+2Y
t-2
+u
t-1


E|Y
t-1
, u
t
]= E|(

X
t-1
+2Y
t-2
+u
t-1
)u
t
] =
=

F(u
t
) +

F(X
t-1
u
t
) +2F(Y
t-2
u
t
) +F(u
t-1
u
t
)=0+0+0+0=0


En este contexto, teniendo en cuenta que si el error estndar es asintticamente eficiente y con
distribucin Normal asinttica, los test de verificacin de restricciones resultan aplicables (si los
regresores no son estocsticos); adems el estimador por mxima verosimilitud ser igual al
estimador por mnimos cuadrados ordinarios.

En caso de que los regresores sean estocsticos podemos recurrir a la estimacin por variables
instrumentales, tal como mostramos (por simplicidad expositiva) en el subepgrafe siguiente.


6.5.2. Trminos de error (residuos) autocorrelacionados.

Si en el modelo expresado en forma de retardo distribuido:

t
= o +[
0
X
t
+[
1
X
t-1
++u
t



40
Es sinnimo a afirmar que los trminos de perturbacin son regulares.
41
Este sesgo disminuira si se incluyera en el modelo una variable exgena significativa (X), puesto que entonces
la influencia de
t-1
sobre
t
sera menor.
42
Teniendo en cuenta que estamos bajo el supuesto que los residuos no estn autocorrelacionados.
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


97
el trmino de perturbacin u
t
no estuviera autocorrelacionado
43
, su correspondiente forma
autorregresiva
t
= u
t
-2u
t-1
estara autocorrelacionada puesto que:

E(
t
,
t+1
) = E|(u
t
-zu
t-1
)(u
t+1
-zu
t
)] = -zE(u
t
2
) = u

Esta presencia de autocorrelacin en la forma autorregresiva trae aparejada la no optimalidad del
estimador por MCO, puesto que la varianza no ser mnima, adems puesto el sesgo no desaparecer
asintticamente
44
:

p lim
n
[
`
= [ , auems
lim
n
Far

MCO
=0 la estimacin por MCO es inconsistente.

Esa inconsistencia invalidar los contrastes habituales que se realizan sobre los parmetros del modelo
(t y F).

Es importante subrayar que el estimador MCO es inconsistente en el contexto de un modelo
con variable dependiente retardada y errores autocorrelacionados solamente si el trmino de error (ut)
sigue un modelo AR(1) estable.


Cmo proceder para obtener estimaciones consistentes?

Podemos utilizar MVI (para superar los problemas de derivados de la estocasticidad -
aleatoriedad- de los regresores) y MCG para superar los problemas de ineficiencia
45
debidos a
la presencia de autocorrelacin): Una primera opcin, cuando existen variables explicativas
endgenas (retardadas), consiste en recurrir a la obtencin de estimadores consistentes por el
mtodo de Variables Instrumentales (VI)
46
, o su versin de MC2E.

Este mtodo consiste en buscar variables que sirvan de instrumento para reemplazar variables
que estn correlacionadas con el trmino de perturbacin. De esta forma lo que pretendemos es
sustituir la variable problemtica con otra (o una combinacin de otras) que est muy relacionada
con ella pero que a su vez sea independiente (no est correlacionada) del trmino de perturbacin. Esta
forma de proceder en la obtencin de los estimadores tiene como inconveniente que si bien los
estimadores que obtengamos son insesgados, asintticamente no son eficientes, puesto que, en el
caso en el que los trminos de error (residuos) estn autocorrelacionados, la estimacin por variables
instrumentales se centra en resolver los problemas de colinealidad entre los regresores y el trmino de
error.

En trminos algebraicos, el problema que pretendemos resolver es el siguiente:

plim|
1
n
X
i
u] = u

Teniendo en cuenta que si estimamos por variables instrumentales la matriz de regresores
Xt=[1, Xt,Yt-1] se reemplaza por Zt=[1, Xt, Zt].

43
En la mayora de las modelizaciones econmicas los trminos de error estn autocorrelacionados.
44
Respecto al coeficiente de determinacin (R
2
), ste sigue manteniendo su validez a pesar de la existencia de
autocorrelacin en los residuos, siempre que los datos sean estacionarios y dbilmente dependientes. Esto es as
porque en series temporales con datos estacionarios (y dbilmente dependientes) las varianzas de los errores y la
variable dependiente no cambian a lo largo del tiempo.
45
Recurdese que un estimador es ms eficiente que otro cuando tiene menor varianza que ese otro, y por tanto
es ms preciso.
46
El estimador por Variables Instrumentales es un caso particular del estimador por Mnimos Cuadrados en 2
Etapas, siendo ambos estimadores consistentes.
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


98

El estimador mediante variables instrumentales del vector de parmetros del modelo ser
o
`
vI
= (Z
i
X)
-1
Z -que ser un estimador consistente-, donde Z incluye a las variables que actan
como instrumento de la/s variable/s del modelo original
47
. Por analoga con lo que vimos en la
estimacin por MCO, el estimador del vector de parmetros o
`
se distribuir asintticamente como una
normal:

o
`
Iv
n
----|o,

2
|(Z
i
X)
i
(Z
i
Z)
-1
(Z
i
X)]
-1
]

Ese vector estimado ser consistente si la matriz de variables instrumentales cumple que:

lim
n
z
n
= u y lim
n
zX
n
= u

Cmo proceder si tenemos ms de un instrumento para un regresor estocstico?

En este caso recurriremos a la estimacin por Mnimos Cuadrados en 2 Etapas (MC2E). En la
primera tendremos que estimar (por MCO) la variable
t-1
en funcin de las variables instrumentales
(y las variables predeterminadas del modelo original)
48
.
En la segunda etapa incluiremos el valor estimado (ajustado) para
t-1
en la ecuacin original,
lo que nos permitir obtener estimaciones consistentes (por MCO) de la ecuacin original:

1)
`
t-1
=
0
+p
0
Z
1
+p
1
Z
2

2)
t
= o
0
+[
0
X
t
+z
`
t-1
+
t


Esta metodologa se puede aplicar tanto a modelos tipo Koyck, como Jorgenson y, en general,
cualquier modelo dinmico autorregresivo.

Este procedimiento no ha resuelto el problema de la autocorrelacin de los residuos. No
obstante partiendo del estimador por VI y aplicando cualquiera de los procedimientos iterativos que
veremos ms adelante podemos resolver esta cuestin; de esta forma podremos corregir la falta de
eficiencia del estimador por VI.

Si estamos en presencia de autocorrelacin, cmo estimar ese modelo si
t
se comporta siguiendo el
esquema AR(1)?

Este procedimiento no es ms que una forma de corregir los problemas de
autocorrelacin en el contexto de que los trminos de perturbacin sigan un esquema AR(1). Para aplicarlo
supongamos que partimos del modelo:

t t t t t t t
u u u Y X Y + = + + + =
1 1 0
, (1)

se retarda el modelo un periodo, se multiplica por y se resta al anterior, resultando:

t t t t t t
Y Y X X Y + + + =

) ( ) ( ) 1 (
2 1 1 0
(2)

Este modelo puede escribirse como:

t t t t t t t
X Y Y X Y Y + =

) ( ) (
1 0 2 1 0 1
(3)

47
Este vector de caractersticas ser al menos tan grande (en nmero de variables) como X. Recordemos que las
condiciones que debe de cumplir el vector Z son: no sea ninguna de de las que estn en el modelo, estar
correlacionado con la variable a la que sustituye y independiente de u.
48
Excluyendo, obviamente, el regresor estocstico.
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


99

El mtodo iternativo de Hatanaka se inicia partiendo de una estimacin consistente de los parmetros
o, [
0
, z. Por ejemplo, se parte de las estimacones obtenidas por VI. La primera estimacin se inicia
sustituyendo o, [
0
, z. por estimaciones de VI y se estima a continuacin p por MCO, el valor de p
estimado se utiliza en el modelo (2) para volver a estimar o, [
0
, z, que se vuelven a sustituir en (3) para
volver a estimar p. Si la diferencia entre el nuevo p estimado, p
2
, y el anterior, p
1
, es pequea,
|p
2
-p
1
|<0,001, se detiene el proceso y nos quedamos con las ltimas estimaciones de o, [
0
, z. Los
estimadores obtenidos con este procedimiento son estimadores consistentes y ms eficientes que los
obtenidos por VI.

Cmo estimar ese modelo si
t
se comporta siguiendo el esquema MA(1)?.

Para resolver esta cuestin una primera va es actuar como en el caso en el que el esquema
seguido es un AR(1), o bien recurrir al procedimiento de Zellner-Geisel (1970), basado en incorporar
al procedimiento de estimacin el hecho de que el trmino de perturbacin sigue un esquema
MA(1), con el objetivo de que se produzca un aumento en la eficiencia asinttica del estimador.
Veamos en qu consiste el procedimiento de Zellner-Geisel:

Definamos una variable: 6
t
= Y
t
-u
t
. Por tanto:

6
t
-26
t-1
= (Y
t
-u
t
)-2(Y
t-1
-u
t-1
)

Partiendo de un modelo tipo Koyck:
t
= [X
t
+z
t-1
+u
t
, tenemos:

0
t
-z0
t-1
= (
t
-u
t
)-z(
t-1
-u
t-1
)=
[X
t
+z
t-1
+u
t
-zu
t-1
-u
t
-z
t-1
+zu
t-1
= [X
t

0
t
= [X
t
+z0
t-1

0
t
= [X
t
+z([X
t-1
+z0
t-2
) = [(X
t
+zX
t-1
) +z
2
0
t-2
=

0
t
= [(X
t
+zX
t-1
++z
t-q
X
t-q
) +z
q
0
t-q
=
= [Z
q
+z
q
0
t-q

Y
t
= Z
q
+2
q
6
t-q
+u
t


Si se conoce el valor de 2 se puede calcular Z
q
= 2
q
X
t-q
q
j=
y 2
q
, y entonces podramos
estimar por MCO sin que ello implicara ninguna limitacin. Para conocer el valor de z se puede
recurrir al procedimiento de Hildreth-Lu, es decir, seleccionar el valor de 2 entre una parilla de
posible valores (-0,9, -0.8,...,0.8,0.9) que produce un menor SBIC o AIC.

Daremos por resuelto el problema cuando los tests de autocorrelacin nos permitan
rechazar la presencia de autocorrelacin.

Si aplicando estos procedimientos no conseguimos corregir los problemas de
autocorrelacin, debemos plantearnos la posibilidad de que el problema no reside en la
autocorrelacin de los residuos sino en una especificacin inadecuada del modelo dinmico.


MC no lineales (ARMAX):

En un modelo tipo Jorgenson:


(6.2.2.1)

t
=

+
B(L)
A(L)
X
t
+u
t

Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


100
Se aplica la misma estructura de retardos a la variables endgena (Y
t
) que al trmino de perturbacin.
Una forma de flexibilizar el modelo es permitir que el trmino de error tenga una estructura de
retardos propia:

A(L)
t
= +B(L)X
t
+C(L)u
t


La anterior expresin se conoce como modelo ARMAX, que de forma detallada se puede expresar
como:

t
= o +[
0
o
1

t-1
+o
2

t-2
++o
n

t-n
+X
t
+[
1
X
t-1
+[
2
X
t-2
++[

X
t-

+u
t
-0
1
u
t-1
-0
2
u
t-2
--0
q
u
t-q

Si no incluye regresores (X
t
) estamos en presencia de un ARMA. En trminos generales la notacin
empleada ARMAX (p, q) indica que el nmero de trminos retardados en la parte AR es p (A(L)
t
),
y el nmero de retardos en la parte MA (C(L)u
t
) es q.

Si el modelo no incluyera trminos de media mvil, podramos estimar por MCO obteniendo
estimaciones consistentes. Pero al existir perturbaciones de media mvil, el modelo se convierte en no
lineal (es no lineal en los parmetros), lo que har necesario recurrir a Mnimos Cuadrados No
Lineales en vez de MCO. Este sistema se resolver empleando algn tipo de algoritmo de
optimizacin numrica (Newton-Raphson, Gauss-Newton, Scoring, etc..), puesto que haremos para
resolver el problema ser maximizar el logaritmo de la funcin de verosimilitud numericamente. Sus
resultados sern estimadores que no son ELIO, aunque si suponemos la normalidad de las
perturbaciones obtenemos que el estimador por Mnimos Cuadrados No Lineales (MCNL) presenta las
mismas propiedades que el estimador por MV (mxima-verosimilitud). Esto implica que si las
perturbaciones son normales el estimador MCNL es consistente, asintticamente normal y
asintticamente eficiente. En otras palabras, una opcin para corregir los problemas de
autocorrelacin es la de asumir un esquema ARMAX (modelos dinmicos autorregresivos con retardos
distribuidos) en los que la modelizacin ARMA implica tener que recurrir a MCNL.


Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


101
Tema 7: Modelos multiecuacionales.

7.1. Introduccin.

En los modelos analizados hasta el momento haba una sola variable dependiente que se
expresaba como funcin lineal de una o ms variables explicativas modelos de regresin
uniecuacionales- pero en la realidad econmica las relaciones de interdependencia suelen ser ms
complejas, puesto que en los modelos de regresin uniecuacionales subyace el supuesto que existe,
potencialmente, una relacin causa-efecto unidireccional de las variables explicativas (causa)
sobre la variable dependiente (efecto). Sin embargo para modelizar la realidad de algunos de los
procesos econmicos que se observan en un determinado mercado es necesaria la evaluacin de un
conjunto de ecuaciones, no de una sola. Cuando esto ocurre estaremos en presencia de los que se
denominan modelos multiecuacionales.

En este mbito de los modelos multiecuacionales (sistema de ecuaciones) es frecuente
encontrarnos en la situacin en la que algunas variables explicadas de las diferentes ecuaciones del
modelo aparecen al mismo tiempo como explicativas en otras ecuaciones del sistema, de forma que las
variables Y estn determinadas por las X y algunas de las X estn determinadas por las Y, o sea hay una
relacin bidireccional o simultnea. En este caso estaramos hablando de un sistema de ecuaciones
simultneas, pero es oportuno aclarar que no todo modelo multiecuacional constituye un sistema
de ecuaciones simultneas, puesto que para que sean simultneas es necesario que todas las
ecuaciones del sistema se requieran para poder obtener los valores de una determinada variable
endgena. En los modelos de ecuaciones simultneas, a diferencia de los modelos
uniecuacionales, no es posible estimar los parmetros de una ecuacin aisladamente sin tener
en cuenta la informacin proporcionada por las dems ecuaciones del sistema. En un modelo
de ecuaciones simultneas los trminos de error (perturbacin) estn correlacionados
(contemporneamente), y, a priori, todas las variables endgenas pueden aparecer en todas las
ecuaciones del modelo. Como consecuencia de la presencia de variables endgenas que actan a su
vez como exgenas aparece el problema de los regresores estocsticos en algunas (o todas) las
ecuaciones que integran el sistema, lo que dificulta la estimacin del modelo por Mnimos
Cuadrados Ordinarios, puesto que implica la aparicin de problemas de sesgadez en los
parmetros estimados.

Esa dificultad, as como el mero hecho de estar en presencia de un sistema de ecuaciones, y no
de una sola ecuacin, plantea la necesidad de profundizar en los aspectos relacionados con la
obtencin de estimaciones para los parmetros de este tipo de modelos multiecuacionales, as como
sus posibles consecuencias en trminos de verificacin de hiptesis y prediccin. En otras palabras
lo que vamos a plantear en este tema es una extensin de nuestro Modelo de Regresin Lineal General
(MRLG) al caso de un sistema de ecuaciones.

Pensemos en un ejemplo basado en la funcin de demanda, en el que es lgico plantear que la
demanda de un bien depende del precio, pero que ste a su vez depende (simultneamente) de la
demanda del bien (de tal forma que precio y cantidad se determinan como resultado de las fuerzas de
mercado). Y por tanto, el precio y la cantidad constituyen variables endgenas (puesto que sus valores
se determinan dentro del sistema). Por su parte la renta disponible constituye una variable exgena,
puesto que su valor no se determina dentro del sistema. En trminos algebraicos deberamos plantear
un modelo con tres ecuaciones (sistema de ecuaciones simultneas): demanda del bien, oferta del bien
y una ecuacin que define el equilibrio del mercado del producto:

_
C
t
d
= [
1
+[
2
P
t
+[
3
R
t
+u
1t
|7.1.1]
C
t
o
=
1
+
2
P
t
+u
2t
|7.1.2]
C
t
o
= C
t
d
|7.1.S]



donde C
t
d
es la cantidad demandada del bien, P
t
es el precio del bien y R
t
es la renta disponible.

Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


102
En un sistema como el anterior la ecuacin [7.1.1] representa el comportamiento de los
demandantes, la [7.1.2] el comportamiento de los oferentes y la [7.1.3] el equilibrio del mercado.


Definiciones y Notacin.

Para facilitar la exposicin de las secciones posteriores vamos a clarificar las notaciones y
definiciones que seguiremos en relacin a los sistemas de ecuaciones y sus componentes.

Cabe recordar que en un modelo las variables predeterminadas (exgenas y endgenas
retardadas
49
) influyen sobre la variable dependiente (endgena), pero no son influidas por sta. Sin
embargo en el caso en que queramos modelizar la existencia de relaciones econmicas en las que el
comportamiento de determinadas variables endgenas venga determinado por el de otras tambin
endgenas tendremos que recurrir a un sistema de ecuaciones simultneas en el que no se cumplir lo
anterior, y que constar al menos de tantas ecuaciones como variables endgenas. La necesidad
de que conste de al menos tantas ecuaciones como variables endgenas resulta de que de no ser as
estaramos en presencia de un sistema incompleto (no completo) y por tanto los valores de las
variables que se pretenden explicar (endgenas) no estaran determinados.

Desde un punto de vista analtico podramos representar cualquier modelo multiecuacional
como
50
:

H+X
t

B +u
t

=
t


Donde t indica cada una de las observaciones (t=1,,T), y donde tenemos m variables endgenas y K
variables predeterminadas. Esta expresin representa la forma estructural del modelo
51
(ecuaciones
estructurales o de comportamiento, debido a que muestra la estructura de una economa o el
comportamiento de los agentes econmicos), puesto que define una clase de estructuras. La
estimacin de los parmetros que componen H y B, que es el objetivo primario de cualquier anlisis
economtrico, dar lugar a una estructura concreta, es decir a una estimacin de la forma estructural.
Esa forma estructural se compone de las siguientes matrices:

(

1t

2t

t) _
p
11
p
12
p
1
p
21
p
22
p
2

p
1
p
2
p

_+

(
x
1t
x
2t
x
kt) _
[
11
[
12
[
1
[
21
[
22
[
2

[
k1
[
k2
[
k
_+(
u
1t
u
2t
u
t)=0

Cada columna de H y de B contiene el vector de parmetros en una ecuacin concreta, y cada fila
afecta a una variable especfica
52
. En trminos de nuestro modelo genrico y en relacin con la
obtencin de los valores de los parmetros del modelo (estimacin del modelo), tal como se afirm

49
Suponemos, como punto de partida, que las variables endgenas retardadas no representan regresores
estocsticos, para lo cual es necesario suponer que los trminos de perturbacin no estn
autocorrelacionados, puesto que si lo estuvieran la variable endgena retardada estara correlacionada
con el termino de perturbacin u
t
, y en consecuencia la variable endgena retardada no podra
considerarse como una variable predeterminada.
50
Las letras griegas y B son los caracteres en maysculas correspondientes a las minsculas p y [.
51
Esta modelizacin no implica que en los modelos que se observan en la realidad econmica todas las variables
estarn presentes en todas las ecuaciones, tal como se ver en las aplicaciones prcticas.
52
Los vectores columna
t
, y u
t
tienen una dimensin m en cada periodo t,. Igualmente x
t
es un vector
columna, pero de dimensin K. Respecto a H y B son matrices de orden mxm y kxm, respectivamente.
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


103
ms arriba necesitamos que el sistema sea completo, lo que en trminos algebraicos implica que el
determinante de la matriz de coeficientes de Y
t
sea distinto de cero (|H| = ).

p
11

1t
+p
21

2t
++p
1

t
+[
11
x
1t
+[
21
x
2t
++[
k1
x
kt
+u
1t
= u t=1,,T
p
12

1t
+p
22

2t
++p
2

t
+[
12
x
1t
+[
22
x
2t
++[
k2
x
kt
+u
2t
= u t=1,,T
.
.
.
p
1

1t
+p
2

2t
++p

t
+[
1
x
1t
++[
k
x
kt
+u
mt
= u t=1,,T

En el caso del ejemplo presentado en la seccin introductoria tendramos la siguiente
representacin del modelo:

_
C
t
d
-[
1
-[
2
P
t
-[
3
isp
t
-u
1t
= u
C
t
o
-
1
-
2
P
t
-u
2t
= u
C
t
d
= C
t
o
= C
t

t
i
= (C
t
, P
t
)

X
t
i
= (isp
t
, 1)

E = _
1 1
-[
2
-
2
]

B = _
-[
3
u
-[
1
-
1
]

u
t
i
= (
u
1t
, u
2t)

Al igual que hemos considerado en las secciones anteriores, podemos tomar una de las
variables X como constante (=1), actuando de esta forma como trmino independiente. Respecto al
vector de perturbaciones para las distintas ecuaciones partiremos del supuesto de que tiene las
buenas propiedades usuales pero teniendo en cuenta que estamos trabajando con un sistema de
ecuaciones, en el que potencialmente existen relaciones entre las ecuaciones implicadas, es decir:

a) E(u
t
) =

, t. Esta propiedad implica que la esperanza matemtica de los trminos de


error de todas las ecuaciones (m ecuaciones) son iguales a cero.
b) E(u
t
2
) =

2

E(u
t
, u
]t
) =
]

Lo que implica que Ior(u
t
) = E(u
t
u
t
i
) = 2, t. Donde es una matriz simtrica
definida positiva.

c) E(u
t
u
s
i
) = u
x
, t = s.

d) Las perturbaciones siguen una distribucin normal:
u
t
~ (0, 2)

Respecto a las variables hacemos los siguientes supuestos:
a) Las variables exgenas se supone que son no estocsticas.
b) Las variables predeterminadas se han observado sin error.

Respecto a los parmetros los supuestos son:
a) Los parmetros estructurales son estables, es decir no dependen de t.
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


104
b) Existen restricciones a priori sobre los parmetros, lo cual hace que no
necesariamente todos los parmetros aparecen en el sistema.

En consecuencia, la expresin de la matriz de varianzas y covarianzas del vector de trminos
de perturbacin sera:

L = Ior(u
t
) = Ior _
u
1t
u
2t

u
t
_=
`


1
2

21

31

1

12

2
2

32

2

1

2

3

2
/



La condicin (respecto a los trminos de perturbacin) E(u
tt
, u
|t
) = n
t|
implica la
posibilidad de correlacin contempornea (en el mismo momento temporal) entre los trminos
de error de cualesquiera dos ecuaciones diferentes, que vendra recogida por los valores de
]
, y
que de existir no cambiara en el tiempo. Como subrayamos anteriormente esta correlacin
contempornea es la cuestin esencial sobre la que reside la construccin de modelos en los que se
consideran varias ecuaciones simultneamente y no se estiman de forma aislada. La existencia
de esta correlacin contempornea hace que un cambio en la perturbacin aleatoria de una
ecuacin del modelo afecta al valor de otra perturbacin, afectando de esta forma a las
restantes variables endgenas, puesto que todas stas se determinan simultneamente.

Partiendo del ejemplo anterior:

_
C
t
d
= [
1
+[
2
P
t
+[
3
isp
t
+u
1t
|7.1.1]
C
t
o
=
1
+
2
P
t
+u
2t
|7.1.2]
C
t
0
= C
t
d
|7.1.S]



Tal como habamos indicado, las ecuaciones que conforman el sistema se denominan
ecuaciones estructurales y sus parmetros son los parmetros estructurales. En este sistema
tendremos dos variables endgenas, C y P, y una exgena (Disp), ya que el valor de esta ltima viene
dado. Ntese que en cada ecuacin tendremos una variable que acta como dependiente, cuyo
parmetro ser igual a 1 (en la matriz de coeficientes de la variable endgena), lo que supone una
normalizacin implcita de los parmetros del sistema.

Si expresamos C y P en funcin nicamente de las variables predeterminadas (en este
caso slo tenemos una), es decir si expresamos las variables endgenas en funcin de las
predeterminadas (ya sean exgenas o endgenas retardadas, pero en ningn caso las endgenas no
retardadas) y de las perturbaciones estocsticas, imponiendo la condicin de equilibrio, llegaremos
a lo que se conocen como ecuaciones en forma reducida del modelo estructural (cuyos parmetros
se denominan parmetros de la forma reducida
53
). En el ejemplo anterior, para obtener la forma
reducida, bastar con seguir los siguientes pasos:

1) Imponemos la condicin de equilibrio entre oferta y demanda [7.2.3), que implica igualar
las ecuaciones |7.2.1] y |7.2.2], y despejamos el valor de la variable endgena P:

P
t
=

1
-
1

2
-
2
+

2
-
2
x
t
+
u
1t
-u
2t

2
-
2
|7.1.4]

que puede ser escrito de forma ms sucinta como:


53
A los coeficientes de la forma reducida tambin se les conoce como multiplicadores de impacto o de corto
plazo, porque mide el cambio inmediato que se produce en la variable endgena ante un cambio unitario en el
valor de la variable exgena.
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


105
P
t
= m
1
+m
2
x
t
+u
1t
|7.1.S]

2) Si sustituimos |7.2.S] en |7.2.2] obtendremos:

C =
1
+
2
(m
1
+m
2
isp
t
+u
1t
) +u
2t

C = m

+m
4
x
t
+
2
u
1t
+u
2t
|7.1.6]

De tal forma que las ecuaciones |7.2.S] y |7.2.6] son ecuaciones expresadas en su forma
reducida.

Nota: En caso de que se ignore la simultaneidad en la obtencin de los valores de las
variables endgenas se estara violando un supuesto fundamental del modelo de regresin clsico (el de
regresores no estocsticos). En concreto el que establece la necesidad de que el trmino de error est
incorrelacionado con cada una de las variables explicativas, y por tanto los estimadores que se
obtuvieran por MCO no seran insesgados.

Por ejemplo en el siguiente modelo:

_
C
1t
= [
1
+[
2
C
2t
+[
3
isp
t
+ [
4
Icmp
t
+u
1t
|7.1.7]
C
2t
=
1
+
2
C
1t
+
3
isp
t
+u
2t
|7.1.8]



Si u
1t
aumenta, tambin lo har C
1t
y, en consecuencia, C
2t
(si
2
es positivo), por tanto un aumento
en u
1t
ha generado un aumento en C
2t
, es decir en una de las variables explicativas. Esta violacin de
un supuesto esencial conduce a estimaciones sesgadas de los parmetros de los modelos.

Esta misma problemtica se puede inferir de la observacin de las expresiones |7.1.S] y
|7.1.6], puesto que en ambos casos vemos como se produce una simultaneidad en el modelo,
derivada de que el valor de ambas variables endgenas (precio y cantidad) dependen tanto de
u
1t
como u
2t
(y no slo de uno de esos trminos de perturbacin como era el caso en los modelos
uniecuacionales), a esto se le denomina sesgo de simultaneidad de las ecuaciones (resultante del
problema de la endogeneidad).

En trminos generales, como ya vimos, la expresin de la forma reducida del modelo
estructural es la siguiente:

HY
t
+BX
t
= u
t


Y
t
= -H
-1
BX
t
+H
-1
u
t

Y
t
= HX
t
+u
t
|7. 2. 9]

Esa expresin matricial representa al siguiente modelo en forma reducida:

1t
= p
11
x
1t
+p
12
x
2t
++p
1k
x
kt
+u
1t

2t
= p
21
x
1t
+p
22
x
2t
++p
2k
x
kt
+u
2t

.

t
= p
1
x
1t
+p
2
x
2t
++p
k
x
kt
+u
mt


t=1,,T

En lo que respecta a las hiptesis respecto al vector de perturbaciones para la forma
reducida stas son las mismas que las formuladas para la forma estructural del modelo. Adems, si
denotamos por a la matriz de varianzas y covarianzas de las perturbaciones del modelo en su forma
reducida se puede demostrar que sta mantiene la siguiente relacin con la matriz de varianzas y
covarianzas de las perturbaciones del modelo en su forma estructural:
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


106

L = H uH

Teniendo en cuenta que Y
t
= -H
-1
BX
t
+H
-1
u
t
u
t
= H
-1
u
t
, siendo
t
el vector de
perturbaciones de la forma reducida y u
t
el vector de perturbaciones de la forma estructural.

Una cuestin esencial en la caracterizacin del modelo es la forma que adopte la matriz de
coeficientes de las variables endgenas (H). Veamos posibles alternativas:

a) La matriz H es diagonal:

_
p
11
u u
u p
22
u

u u p

_

En este caso slo tendremos una variable endgena en cada ecuacin del sistema, lo que da
como resultado la aparicin de un tipo particular de modelos multiecuacionales, en concreto a los
denominados sistemas de ecuaciones aparentemente no relacionadas, que sern objeto de
tratamiento en el prximo epgrafe.

Se denomina sistema de ecuaciones aparentemente no relacionadas porque los trminos de error
son los que estn relacionados pero las ecuaciones no tienen porque interactuar entre s. Por
ejemplo las funciones de demanda de dos bienes, si bien no tienen por qu estar directamente
relacionadas entre s, un shock de demanda puede afectar a la demanda de ambos bienes, puesto que
los trminos de error de las ecuaciones para los distintos bienes tendrn un componente comn, que
dar lugar a correlacin contempornea entre ellos.

b) La matriz H es triangular:
Y
1
Y
2
Y
-1
Y


Fcuaco 1
Fcuaco 2

Fcuaco

`

1 u u
p
21
1 u

p
-11
p
-12
1 u
p
1
p
2
p
-1
1
/


Es decir:

1t
= [
11
x
1t
+[
12
x
2t
++[
1k
x
kt
+u
1t
= u

2t
= p
21

1t
+ [
21
x
1t
+[
22
x
2t
++[
2k
x
kt
+u
2t
= u
.
.
.

1t
= p
1

1t
+p
2

2t
++p

t
+[
1
x
1t
+[
2
x
2t
++[
k
x
kt
+u
mt
= u


Y la matriz de varianzas y covarianzas correspondiente a las perturbaciones contemporneas de cada
una de las ecuaciones es diagonal (covarianzas nulas, en el mismo periodo, entre los trminos de
perturbacin de diferentes ecuaciones), es decir no existe correlacin contempornea entre los
trminos de error:

= _

11
u u
u
22
u

u u

_

Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


107
Entonces estaremos en presencia de otro tipo particular de sistemas de ecuaciones simultneas, que
son los denominados sistemas recursivos (tambin denominados triangulares o causales).

De forma sucinta (puesto que veremos este tipo de modelos un poco ms adelante) podemos
caracterizar a este tipo de sistemas porque contienen una variable endgena en la primera ecuacin,
dos en la segunda (la endgena de la primera ecuacin ms otra), tres en la tercera y as sucesivamente
hasta contener m variables endgenas en la ltima. Las dos principales caractersticas de este tipo de
modelos son:

1) Se pueden emplear mtodos economtricos muy sencillos para su estimacin, puesto que
bastar con ir sustituyendo recursivamente el valor de las variables endgenas en las
ecuaciones sucesivas, de ah le viene el nombre de sistemas recursivos. De hecho se
pueden emplear MCO para estimar ecuacin a ecuacin puesto que la no correlacin
contempornea de los trminos de perturbacin de las diferentes ecuaciones provoca que
las variables endgenas que aparecen como regresores no estn correlacionadas con el
trmino de perturbacin, lo que hace que las estimaciones obtenidas sean consistentes. A
diferencia de los sistemas de ecuaciones simultneas debido a que
1t
no depende de
ninguna otra variable endgena
1t
no vendr determinado por
2t
pero si al contrario, de
forma que se puede afirmar que en cada ecuacin hay dependencia causal unilateral. Esto
es consecuencia de que
1t
depende de u
1t
pero no de u
2t
, puesto que por definicin
Cov(u
1t
, u
2t
) = u.

2) Todas las ecuaciones que conforman el sistema son identificables (profundizaremos en la
cuestin de la identificabilidad en el epgrafe 7.3), al ser todas distintas unas de otras.

c) Si la matriz H no es diagonal ni triangular, estamos ante un modelo de ecuaciones ms
general que se denomina sistema de ecuaciones interdependientes, y que sern objeto de
amplio estudio en el ltimo epgrafe. Se denominan interdependientes porque todas las
ecuaciones del sistema son necesarias para obtener una solucin de equilibrio del
sistema.


7.2. Sistemas de ecuaciones no simultneas:

7.2.1. Sistemas de ecuaciones aparentemente no relacionadas (SURE).

Planteamiento:

Se denomina sistema de ecuaciones aparentemente no relacionadas porque los trminos de
error son los que estn relacionados pero las ecuaciones no tienen porque interactuar entre s. En otras
palabras, la relacin se produce de forma indirecta (a travs de los trminos de perturbacin)
aunque aparentemente las ecuaciones del sistema no guardan relacin directa entre s.

Por ejemplo, como subrayamos ms arriba, las funciones de demanda de dos bienes distintos.
Adems de las correlacin contempornea entre los trminos de perturbacin, podemos pensar que las
elasticidades precio y renta de esos bienes pueden ser iguales, lo que llevara a la estimacin conjunta de
las funciones de demanda de ambos bienes, de forma que podamos imponer restricciones de igualdad
para contrastar si estamos en lo cierto. En este contexto si estimamos simultneamente ambas
ecuaciones ganaremos en eficiencia, pues estaremos aprovechando en mayor medida la informacin
de la que dispongamos.

Igualmente podemos pensar, como ejemplo adicional, en un modelo en el que se trata de
explicar el volumen de gastos municipales en los tres grandes bloques que la componen (de tal forma
que la suma de las partidas representen el 100% del gasto), siendo el gasto en cada una de stas partidas
representa la variable dependiente de sendas ecuaciones.
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


108
La representacin algebraica de este tipo de sistemas ser la siguiente:

Y = X +u

Donde las dimensiones de las respectivas matrices sern: en el caso de Y y u Tm*1, y en el caso de X ser
Tm* k

1
. La matriz X estar compuesta de submatrices X

, una por cada ecuacin. Tngase en


cuenta que esto es as porque tal como subrayamos en el epgrafe anterior los sistemas de ecuaciones
SURE aparecern cuando la matriz H (de coeficientes de las variables endgenas) es diagonal, y
por tanto slo tenemos una variable endgena por ecuacin:

`

11

12

11

21

22

21

1
/

=_
X
1
u u
u X
2
u

u u X

_
`

[
1
[
2

[
/

+
`

u
11
u
12

u
11
u
21
u
22

u
21

u
1
u
2

u
1
/



y la matriz de varianzas y covarianzas del vector de perturbaciones aleatorias (u):

= I =
`


1
2

12

1

1
2

12

1

12

2
2

2

12

2
2

2

1

2

1

2

2
/



Siendo cada bloque diagonal la matriz de varianzas y covarianzas del vector de error de cada
una de las ecuaciones consideradas en el modelo.

- Estimacin:

Una cuestin esencial es la estimacin de este tipo de modelos es el de la modelizacin de las
correlaciones de los trminos de error de las diferentes ecuaciones, pues ste es el vnculo entre las
ecuaciones del sistema. En relacin a esa matriz de covarianzas de los trminos de error de todas las
ecuaciones vamos a hacer una serie de supuestos simplificadores:

1) En cada ecuacin el trmino de error es homoscedstico y no presenta autocorrelacin:

E(u

i
) =

2
I , i = i, 2, , m.

Siendo m el nmero de ecuaciones incluidas en el modelo.

2) Slo existe correlacin contempornea entre los trminos de error de diferentes
ecuaciones.
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


109

E(u

u
]
i
) =
]
I , i = ], i, ] = i, 2, , m.

En este contexto podemos recurrir a la estimacin por MCO; si estimamos ecuacin a
ecuacin, sin tener en cuenta que pertenecen a un sistema, obtendremos estimaciones insesgadas (y
consistentes), aunque ineficientes, introduciendo un sesgo en la varianza.

- Estimacin cuando q (= I) es conocida:

Para evitar estos problemas de ineficiencia teniendo en cuenta lo que habamos visto en el
tema 6, podemos recurrir a la estimacin por MCG
54
. De hecho el modelo de ecuaciones
aparentemente no relacionadas puede ser visto como un caso especial de los Mnimos Cuadrados
Generalizados:

[
`
MCu
= (X
i
q
-1
X)
-1
Xq
-1
y

El estimador que se obtiene es lineal insesgado y ptimo. Obviamente cuanto mayor sea la
covarianza entre los trminos de perturbacin mayor ser la ganancia de emplear MCG en vez de
MCO.


- Estimacin cuando q (= I) es desconocida:

Al igual que vimos cuando analizbamos MCG en el tema anterior, aqu tendremos que
enfrentarnos a que, en general, existe desconocimiento de los valores de la matriz de varianzas y
covarianzas de las perturbaciones (), lo que nos llevar a recurrir a los denominados mtodos de
estimacin por MCGF. Operaramos de forma muy similar a como lo hicimos en el tema 6, pero
teniendo en cuenta que ahora nos enfrentamos a un sistema de ecuaciones (no a una sola ecuacin).
Siendo una estimacin de cada uno de los elementos de q, resulta que el estimador por
MCGF de los parmetros adopta la expresin:

[
`
MCuP
= (X
i
q
-1
X)
-1
Xq
-1
|7.2.1]

A este estimador se le conoce como estimador MCG de Zellner (SURE).

Como alternativa al estimador MCG de Zellner se ha propuesto en la literatura un
procedimiento iterativo, cuyas propiedades asintticas son ms deseables.

Es importante subrayar que en caso de que no exista correlacin contempornea entre los
trminos de error, el mtodo de estimacin ms eficiente es el de los MCG. En consecuencia parece
lgico plantearse en primer lugar un test (contraste estadstico) que nos permita verificar si existe o
no correlacin contempornea entre los residuos, es decir si las covarianzas contemporneas son o
no iguales a cero (si son iguales a cero no habr correlacin contempornea: E
0
:
]
= u)
55
. Para
realizar este contraste podemos recurrir, por ejemplo, al test de los multiplicadores de Lagrange.









54
Generalised Least Squared (GLS).
55
La hiptesis alternativa (E
1
) se planteara en trminos de si al menos una de las covarianzas es distinta de cero.
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


110
- Estimacin de sistemas de ecuaciones aparentemente no relacionadas con
autocorrelacin:

Sea el sistema:
y
t
= BX
t
+u
t


con
,t
=
,t-1
+u
,t
, donde u
t
ruido blanco.

Debido a la presencia de autocorrelacin la matriz de varianzas y covarianzas valdr:

E(u

u
]
i
) =
]

]
, i = ], i, ] = i, 2, , m.

Para obtener estimaciones consistentes y eficientes podemos recurrir a un procedimiento que
resulta de seguir los siguientes pasos:

a) Estimamos cada una de las ecuaciones del sistema por MCO, y se obtiene una estimacin del
coeficiente de autocorrelacin (p

) de los residuos recurriendo al procedimiento que se


prefiera de entre los sealados en la asignatura Econometra I, es decir:
Partiendo de los residuos obtenidos de la estimacin del modelo por MCO:

= X[ +u

Se obtiene el valor de p; una vez obtenida la estimacin para p se transforman los datos (al
igual que vimos en el caso de los modelos dinmicos) mediante las transformaciones de Prais-Winsten.
De esta forma eliminamos los problemas de autocorrelacin.
b) Al modelo con las ecuaciones transformadas se le vuelve a aplicar MCO para obtener una
estimacin de la matriz de varianzas y covarianzas (L).
c) Partiendo de los datos transformados y de la matriz de varianzas y covarianzas estimada ya
podremos proceder a la aplicacin de MCGF.

Alternativamente podemos actuar modelizando la autocorrelacin introducindola en el
modelo a estimar (es decir aadiendo una esquema AR(1), MA(1), ARMA(1,1), etc) y estimar.

7.2.2. Estimacin de modelos recursivos.

Los sistemas de ecuaciones recursivos, como se mencion en la introduccin de este tema
presentan como caractersticas esenciales:

a) La matriz H es triangular:

_
p
11
u u
p
21
p
22
u

p
1
p
2
p

_

b) La matriz de varianzas y covarianzas correspondiente a las perturbaciones
contemporneas de cada una de las ecuaciones es diagonal (covarianzas nulas de los
trminos de perturbacin):

= _

11
u u
u
22
u

u u

_

Partamos del siguiente ejemplo, que constituye un sistema recursivo bsico:
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


111

1t
+[
11
X
t
= u
1t

p
12

1t
+
2t
+[
21
X
t
= u
2t

Con:
E[u
t
u
t
]= = _

11
u
u
22
]

La forma estructural anterior se puede expresar en forma reducida como:

1t
= -[
11
X
t
+u
1t

-p
12
[
11
X
t
+p
12
u
1t
+
2t
+[
21
X
t
= u
2t


2t
= p
12
[
11
X
t
-p
12
u
1t
-[
21
X
t
+u
2t


2t
= (p
12
[
11
-[
11
)X
t
+u
2t
-p
12
u
1t


La primera ecuacin de la forma estructural no plantea problemas puesto que la variable exgena X
t
no
est, por definicin, correlacionada con el trmino de perturbacin. Por su parte
1t
no est
correlacionada con u
2t
puesto que slo es funcin de u
1t
, y u
1t
no est correlacionada con u
2t
(por
definicin, al ser la matriz de varianzas y covarianzas diagonal), por lo que si estimamos por MCO la
segunda ecuacin estructural, en la que hacemos depender
2t
de
1t
y X
t
, obtendramos estimadores
consistentes. Adicionalmente si podemos asumir que el trmino de perturbacin se distribuye segn
una Normal, los estimadores por MCO de los parmetros son iguales a los mximo-verosmiles,
garantizando que la matriz de varianzas y covarianzas asinttica sea eficiente, es decir sea la menor
posible (de entre las de todos los estimadores lineales e insesgados). Por tanto la utilizacin de MCO
por separado a cada una de las ecuaciones nos proporcionar estimaciones apropiadas de los
parmetros del sistema.


7.3. Modelos de ecuaciones simultneas (interdependientes).

Vamos a analizar en este epgrafe cmo estimar, en general, los denominados modelos de
ecuaciones simultneas (como caso particular de los modelos multiecuacionales), tambin
denominados interdependientes porque se requiere la informacin de todas sus ecuaciones para llegar a
una solucin para el sistema. Para esto vamos a comenzar empleando un ejemplo que ha gozado de
enorme difusin en la literatura economtrica, y que no es otro que el modelo planteado por
Haavelmo
56
, que permite sintetizar muy bien la casustica propia de este tipo de modelos.

La contribucin en trminos de modelos de ecuaciones simultneas est ntimamente
relacionada con los postulados de la Teora Econmica Keynesiana. En concreto lo que Haavelmo
propone es estimar la propensin marginal a consumir (la proporcin de renta que se destina al
consumo) en vez de en una sola ecuacin de demanda, tal como la planteara Keynes,

C
t
= [
0
+[
1
Rcnto
t
+u
t


mediante un sistema de ecuaciones que aade, a la ecuacin anterior, la de comportamiento de la renta,
consiguiendo de esta forma que la renta sea tambin una variable endgena. Tendramos el siguiente
sistema
57
:

C
t
=

+
1
Reta
t
+u
t

Reta
t
= C
t
+I
t


En estas ecuaciones C
t
representa el gasto de consumo total, R
t
representa el total del ingreso, y el
gasto de inversin total del pas (I
t
) es igual al ahorro total (S
t
).

56
Este tipo de desarrollos contribuy a que Haavelmo obtuviera el premio nobel de Economa.
57
En el modelo original Haavelmo emple o en lugar de [
0
.
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


112

En este modelo partimos de las siguientes hiptesis bsicas:

1) u
t
~(u,
2
); E(u
t
u
t+j
)=0, ] = u.
2) I
t
y u
t
no estn correlacionados (son independientes) Cov(I
t
, u
t
)=0-, ya sea por el carcter
fijo de la variable inversin o, de no ser as, simplemente porque se distribuyen
independientemente.

Obviamente el problema que se plantea es que al ser un sistema de ecuaciones simultneas
R
t
es un regresor estocstico, por tanto no se puede suponer la independencia de esta variable del
trmino de perturbacin, y en consecuencia el estimador por MCO de la propensin marginal a
consumir ser sesgado e inconsistente.

Para comprobar los problemas que plantea la utilizacin de MCO en el modelo de ecuaciones
planteado por Haavelmo, obtengamos su forma reducida:

C
t
=
[
0
1 -[
1
+
[
1
1 -[
1
I
t
+
1
1 -[
1
u
t
|7.S.1]

R
t
=
[
0
1 -[
1
+
[
1
1 -[
1
I
t
+
1
1 -[
1
u
t
+I
t
=
=
[
0
1 -[
1
+
1
1 -[
1
I
t
+
1
1 -[
1
u
t
|7.S.2]

De ah que Cov(R
t
, u
t
)= E[[R
t
-E(R
t
)] [R
t
-E(R
t
)]]=E[(
u
t
1-
1
)u
t
]=
E[
u
t
2
1-
1
]=
c
2
1-[
1
= u, y por tanto R
t
u
t
no son independientes.

Debido a esa correlacin entre la variable endgena (Rt) y el trmino de perturbacin el
estimador [
`
1
es un estimador inconsistente de [
1
. Puesto que:

[
`
1
=
(C
t
-C

)(R
t
-R

)
(R
t
-R

)
2
=
c
t
r
t
r
t
2
=
C
t
r
t
r
t
2
; denotando las letras minsculas las desviaciones respecto a
la media. Si sustituimos Ct por su valor obtenemos:

[
`
1
=
(

+
1
Reta
t
+u
t
)(r
t
)
(R
t
-R

)
2
=
1
+
r
t
u
t
r
t
2
|7.S.S]

puesto que r
t
=0 y
R
t
r
t
r
t
2
= 1.
Partiendo del valor obtenido para la estimacin de [
`
1
([
`
1
), podemos analizar la potencial inconsistencia
del estimador calculando el lmite en probabilidad de la expresin |7.S.S]:

plim [
`
1
= plim|
1
] +plim_
i
t
u
t
i
t
2
_ = plim|
1
] +plim_

i
t
u
t
n
i
t
2
n
_ =

1
+
|
r
t
u
t

|
r
2
n
|7.S.4]

Donde los dos cocientes de la expresin |7.S.4] representan, respectivamente, la covarianza de R y u y
la varianza de R. Puesto que Cov(R,u) y Var(R) son positivas y 0<
1
<1 el plim [
`
1
es siempre mayor
que
1
, de forma que [
`
1
siempre sobreestimar el verdadero [
`
1
. Por tanto la interdependencia de las
ecuaciones (que da lugar al sesgo de ecuaciones simultneas) en un sistema de ecuaciones simultneas
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


113
invalida las buenas propiedades de los estimadores por MCO (insesgadez y consistencia), lo
que nos llevar a tener que recurrir a mtodos de estimacin alternativos. Estos mtodos de estimacin
se pueden clasificar en dos grandes grupos atendiendo a la informacin de que dispongamos. As
podemos distinguir entre:

a) Mtodos de Informacin limitada: Que implican estimar ecuacin a ecuacin (Mnimos
Cuadrados Recursivos, MCI, Variables instrumentales, Mnimos Cuadrados en dos etapas,
Mxima verosimilitud con informacin limitada).

b) Mtodos de Informacin completa: Que implican estimar simultneamente todo el
conjunto de ecuaciones (Mnimos Cuadrados en 3 etapas y Mxima verosimilitud con
informacin completa).

Antes de comenzar con los mtodos de estimacin para sistemas de ecuaciones simultneas
hay que abordar el problema de la identificacin. Un sistema de ecuaciones simultneas ser
identificado cuando es posible obtener valores numricos de cada parmetro en cada ecuacin, lo que
implica que las ecuaciones son observacionalmente distinguibles. En caso de que las ecuaciones se
parezcan mucho entre s no podremos llegar a valores numricos para los parmetros.

Esta cuestin puede ser analizada desde un punto de vista grfico. Para ello partamos el
sistema de ecuaciones de oferta, demanda y equilibrio en funcin de cantidad
58
:

_
C
t
d
= [
2
P
t
+u
1t
|7.S.S]
C
t
o
=
2
P
t
+u
2t
|7.S.6]
C
t
0
= C
t
d
|7.S.7]



Donde [
2
< u, en la medida que un mayor precio del producto, normalmente, reducir la demanda
(por parte de los compradores) del mismo;
2
> u y los trminos de error u
1t
y u
2t
representan
factores que afectan a la demanda y oferta, respectivamente, del bien bajo anlisis y que no
han sido incluidos en las correspondientes ecuaciones, y que se suponen estn independiente e
idnticamente distribuidos con media cero y varianza constante, no existiendo correlacin entre ambos
trminos de perturbacin. El equilibrio entre demanda y oferta en el mercado se alcanzar cuando se
cumpla la identidad |7.4.7], lo que implica igualar |7.4.S] y |7.4.6]:

[
2
P
t
+u
1t
=
2
P
t
+u
2t


De lo que se puede deducir que:

P
t
=

1t
-
2t

2
-[
2
|7.S.8]

Si sustituimos este precio de equilibrio en la ecuacin de oferta, obtenemos:

C
t
=
2
u
1t
-u
2t

2
-[
2
+u
2t
=

2
-[
2
u
1t
+
[
2

2
-[
2
u
2t
|7.S.9]

Cul sera la consecuencia de intentar estimar |7.4.S] por MCO?

[
`
2
=
p
1
t=1
t
c
t
I
p
t
2 1
t=1
I
|7.S.1u]


58
En las ecuaciones |7.S.S] y |7.S.6] no se ha incluido trmino independiente por claridad expositiva.
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


114
Sustituyendo |7.S.8] y |7.S.9] en |7.S.1u]

[
`
2
p
_
c
u
1
2
+c
u
2
2
(
2
-[
2
)
2
_
-1
_

2
c
u
1
2
+[
2
c
u
2
2
(
2
-[
2
)
2
_ =

2
c
u
1
2
+[
2
c
u
2
2
c
u
1
2
+c
u
2
2
|7.S.11]

De la expresin |7.S.11] se infiere que la estimacin por MCO de [
2
aporta un valor que no
se puede considerar sea la elasticidad de la demanda, sino un promedio ponderado de la elasticidad
de la demanda (
2
) y la elasticidad de la oferta (
2
), con ponderaciones constituidas por la
varianza de los trminos de error de la ecuacin de demanda y de oferta. Slo en el caso en el
que la varianza del error de la ecuacin de demanda sea muy pequeo ( ) o el de la
ecuacin de oferta tienda a ser muy grande ( ), la estimacin por MCO de [ aportara una
estimacin consistente de la elasticidad de la demanda. Lo contrario ocurrira con la elasticidad de la
oferta (

2
2
u

1
2
)). Los casos intermedios representaran situaciones en las que un analista
podra pensar que se ha estimado una ecuacin de demanda y otro una ecuacin de oferta, sin que
ninguno estuviera en lo cierto, puesto que MCO nos ha proporcionado una mixtura entre ambos
modelos, al haberse generado un sesgo de ecuaciones simultneas.

Grficamente (Figura 7.3.1), vamos a partir de un momento temporal 0 que vendr
representado por el punto de equilibrio entre oferta y demanda- (p0,c0). Asumamos ahora que en el
momento 1 se ha producido un pequeo shock negativo de demanda y uno positivo grande en la
oferta, de tal forma que habr un desplazamiento de la curva de demanda hacia abajo y de la curva de
oferta hacia arriba, aproximndonos al nuevo punto de equilibrio (p1,c1). El shock negativo por el lado
de la demanda implicara un cambio en u
1t
por ejemplo como consecuencia de un cambio en los
ingresos (variable no incluida como regresor en el modelo, por lo que estara recogida por el trmino
de perturbacin) de los agentes econmicos analizados o de sus gustos. Por el lado de la oferta el
shock positivo podra venir de la mano en la mejora en las condiciones climticas, implantacin de
procesos de produccin ms eficaces, etc., lo que producira un aumento en el valor de u
2t
.

En el momento 2 se ha producido un pequeo shock negativo de demanda y otro negativo
en la oferta (por ejemplo como consecuencia de una huelga o regulaciones que limiten las posibilidades
de produccin), de tal forma que habr un desplazamiento de la curva de demanda y de oferta hacia
abajo, hasta el nuevo punto de equilibrio (p2,c2). En el momento 3 suponemos un pequeo shock
positivo en la demanda y uno mayor negativo en la oferta, que nos lleva al punto (p3,c3).

El estimador por MCO trata de ajustar una lnea a travs de los puntos {
t
, c
t
]
t=1
T
.

Por tanto para poder obtener un estimador consistente de
2
si encontramos una
variable que sea capaz de desplazar la curva de oferta sin desplazar simultneamente la curva
de demanda (esa variable ser nuestro instrumento y por tanto procederemos a estimar por
MC2E para obtener estimadores consistentes). En otras palabras, si la curva de oferta se desplaza
en el tiempo debido a shocks de oferta (cambios climticos, etc) y la demanda permanece relativamente
estable los puntos trazan una curva de demanda, de ah que se diga que la curva de demanda se ha
identificado (y podremos conocer el valor de [
2
. En cambio, si la curva de demanda se desplaza en el
tiempo debido a shocks de demanda (cambio en las preferencias de los consumidores, etc) y la oferta
permanece relativamente estable los puntos trazan una curva de oferta, de ah que se diga que la curva
de oferta se ha identificado.




Figura 7.3.1. Representacin grfica del impacto de diferentes shocks en un sistema de
ecuaciones simultneas de oferta y demanda de un bien.


7.3.1. Identificacin.

Partiendo del ejemplo planteado en la subseccin anteri
que tenamos un sistema de ecuaciones constituido por ecuaciones de oferta y demanda, en qu
consistira el problema de la identificacin?. La respuesta a esa pregunta se encuentra en la respuesta a
esta otra pregunta (Gujarati, 2004):
la funcin de oferta?, partiendo de que conocemos solamente informacin sobre P y C. En
otros trminos, podemos garantizar que los parmetros que estamos estimando corr
funcin de oferta o a otra funcin?. Desde un punto de vista del sistema expresado en su forma
reducida las anteriores preguntas equivalen a responder esta otra: partiendo de que podemos estimar la
forma reducida, podemos obtener estimacione
partiendo de estimaciones de la forma reducida?
podemos encontrarnos frente a tres posibles situaciones:

a) No es posible obtener los parmetros estructurales
los parmetros de la forma reducida (la ecuacin est

b) En el caso en el que si se pueda obtener una o ms estimaciones de los parmetros de la
forma estructural de la ecuacin a partir de los par
en presencia de una ecuacin identificada. Dentro de esta categora podemos distinguir dos posibles
situaciones:

Notas de
Antonio Caparrs Ruiz y Oscar D. Marcenaro
.1. Representacin grfica del impacto de diferentes shocks en un sistema de
ecuaciones simultneas de oferta y demanda de un bien.
Identificacin.
Partiendo del ejemplo planteado en la subseccin anterior -ecuaciones |7
un sistema de ecuaciones constituido por ecuaciones de oferta y demanda, en qu
consistira el problema de la identificacin?. La respuesta a esa pregunta se encuentra en la respuesta a
nta (Gujarati, 2004): cmo se sabe si se est estimando la funcin de demanda o
, partiendo de que conocemos solamente informacin sobre P y C. En
podemos garantizar que los parmetros que estamos estimando corr
funcin de oferta o a otra funcin?. Desde un punto de vista del sistema expresado en su forma
reducida las anteriores preguntas equivalen a responder esta otra: partiendo de que podemos estimar la
podemos obtener estimaciones de los parmetros de la forma estructural
partiendo de estimaciones de la forma reducida?. La respuesta a esta cuestin no es nica, as
podemos encontrarnos frente a tres posibles situaciones:
No es posible obtener los parmetros estructurales partiendo de las estimaciones de
los parmetros de la forma reducida (la ecuacin est subidentificada o no identificada
En el caso en el que si se pueda obtener una o ms estimaciones de los parmetros de la
forma estructural de la ecuacin a partir de los parmetros estimados para la forma reducida estaremos
en presencia de una ecuacin identificada. Dentro de esta categora podemos distinguir dos posibles
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez
115
.1. Representacin grfica del impacto de diferentes shocks en un sistema de
7.S.S] a |7.S.7]-, en el
un sistema de ecuaciones constituido por ecuaciones de oferta y demanda, en qu
consistira el problema de la identificacin?. La respuesta a esa pregunta se encuentra en la respuesta a
cmo se sabe si se est estimando la funcin de demanda o
, partiendo de que conocemos solamente informacin sobre P y C. En
podemos garantizar que los parmetros que estamos estimando corresponden a la
funcin de oferta o a otra funcin?. Desde un punto de vista del sistema expresado en su forma
reducida las anteriores preguntas equivalen a responder esta otra: partiendo de que podemos estimar la
s de los parmetros de la forma estructural
. La respuesta a esta cuestin no es nica, as
o de las estimaciones de
subidentificada o no identificada).
En el caso en el que si se pueda obtener una o ms estimaciones de los parmetros de la
metros estimados para la forma reducida estaremos
en presencia de una ecuacin identificada. Dentro de esta categora podemos distinguir dos posibles
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


116
b.1) Es posible obtener una estimacin numrica nica de los parmetros
estructurales partiendo de las estimaciones de los parmetros de la forma reducida (la
ecuacin est exactamente identificada).

b.2) Los parmetros de la forma reducida nos permiten obtener ms de un valor
numrico para algunos (o todos los) parmetros de la ecuacin en su forma estructural (la
ecuacin est sobreidentificada
59
).

Al proceso de determinacin de las posibilidades de obtener los parmetros de la forma
estructural partiendo de estimaciones de la forma reducida se le denomina el problema de la
identificacin, y es una cuestin central en muchos anlisis economtricos.

Vamos a plantear un ejemplo muy sencillo que nos va a permitir tener una visin intuitiva de
en qu consiste el problema de la identificacin. As si planteamos un modelo de oferta y demanda:

_
P
t
+[
12
C
t
+p
11
= u
1t
[
21
P
t
+C
t
+p
21
= u
2t



En este sistema de ecuaciones si [
12
> u estaramos ante una curva de demanda, y si [
21
< u
(la segunda ecuacin) sera una curva de oferta. Por tanto es necesaria informacin adicional, en forma
de restricciones, para poder identificar qu ecuacin acta dentro del modelo como ecuacin
de oferta y cul de ecuacin de demanda.

Podramos pensar en el ejemplo anterior en trminos de cmo alcanzar una solucin, es decir
cmo estimar sus parmetros estructurales. La cuestin es que como veremos a continuacin las
ecuaciones no son identificables, pues tendremos ms incgnitas a resolver (4) que ecuaciones (2).
En otras palabras no hay forma de obtener valores para las cuatro incgnitas de los parmetros
estructurales a partir de solamente dos coeficientes de la forma reducida. Esto es equivalente,
desde un punto de vista de la Teora Econmica, a afirmar que ms de una teora puede ser
representada con ese sistema, lo que los hace observacionalmente equivalentes, no habiendo forma
de diferenciar con qu teora concreta se corresponde, de ah que se pueda afirmar que la estructura
es no identificable. Veamos esto algebraicamente:

Forma estructural _
P
t
= -[
12
C
t
-p
11
+u
1t
C
t
= -[
21
P
t
-p
21
+u
2t



De lo que obtenemos la siguiente forma reducida:

P
t
=
[
12
p
21
-p
11
1 -[
12
[
21
+
t
, cs cl prccio Jc cquilibrio |7.S.12]

C
t
=
[
21
p
11
-p
21
1 -[
12
[
21
+
t
, cs lo contiJoJ Jc cquilibrio |7.S.1S]

Que se puede expresar de forma simplificada como:
P
t
=
1
+
t
|7.S.14]
C
t
=
2
+
t
|7.S.1S]

con
1
=
[
12
q
21
-q
11
1-[
12
[
21
; y
2
=
[
21
q
11
-q
21
1-[
12
[
21
.

Como hemos subrayado en el sistema formado por las ecuaciones en forma reducida
|7.S.12] y |7.S.1S] los dos coeficientes contienen cuatro parmetros estructurales, lo que implica que

59
Lo que implica la posibilidad de obtener infinitas soluciones para los parmetros.
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


117
es un sistema indeterminado o subidentificado (puesto que las dos ecuaciones que lo integran
estn subidentificadas)
60
, puesto que no podremos obtener estimaciones nicas de los
parmetros de la forma estructural (cuatro) a partir de los parmetros del sistema en su forma
reducida (dos). Un sistema slo estar identificado si se pueden obtener los parmetros de la forma
estructural a partir de los parmetros de la forma reducida, es decir si tenemos al menos (puesto que
podemos tener ms en ese caso estaramos ante un sistema sobreidentificado) el mismo nmero de
coeficientes en la forma reducida que de parmetros en la forma estructural.

Ante este desfase entre el nmero de parmetros a estimar y la informacin disponible para
estimarlos cabe como solucin para poder identificar los parmetros de las ecuaciones estructurales
aadir informacin en una de las ecuaciones, que es equivalente a imponer restricciones sobre las
restantes ecuaciones del sistema-. En otras palabras habr que tener en cuenta informacin
adicional (esa informacin adicional en una ecuacin respecto a la otra u otras del sistema implicar
restricciones para el resto de las ecuaciones del sistema) para poder identificar el valor de esos
parmetros.

Qu tipo de informacin podemos incluir en la estimacin del sistema estructural para
hacerlo identificable?

a) Normalizacin: Ya hablamos ms arriba de esta cuestin, que resulta simplemente de
que en cada ecuacin tiene que haber una variable explicada (endgena) cuyo coeficiente
es igual a la unidad.

b) Identidades: Algunas de las ecuaciones del sistema pueden presentar la caracterstica de
que todos sus coeficientes son conocidos, como ocurre con las ecuaciones que recogen
condiciones de equilibrio y las identidades contables.

Por otro lado podemos recurrir a informacin obtenida fuera de la muestra, que puede adoptar
diferentes formas:

c) Imponer restricciones sobre los parmetros del sistema estructural:

c.1) Bien aplicando restricciones de exclusin: Es decir eliminando variables de una de
las ecuaciones. En el ejemplo del modelo de demanda y oferta podemos, por ejemplo
emplear una variable instrumental para el precio (por ejemplo: temperatura de la ciudad
donde viven los consumidores) en la ecuacin de oferta, que no se incluya en la ecuacin
de demanda, por tanto de la exclusin en esta ltima derivar la posibilidad de identificar
los parmetros del modelo.

c.2) Restricciones que implican la imposicin de valores concretos para algunos
parmetros de un modelo, como por ejemplo igualar a cero la ordenada en el origen, o
que la suma de dos parmetros sea igual a 1.

Veamos este ejemplo en el que igualaremos a cero la ordenada en el origen de la ecuacin
de oferta:

Forma estructural _
P
t
= -[
12
C
t
-p
11
+u
1t
C
t
= -[
21
P
t
-p
21
+u
2t



De lo que obtuvimos la siguiente forma reducida:


60
Esto ocurre cuando diferentes conjuntos de valores de los coeficientes estructurales son compatibles con un
mismo conjunto de informacin. La implicacin de esta situacin es que una ecuacin en forma reducida es
compatible con diferentes ecuaciones estructurales o hiptesis, dificultando conocer cul es la hiptesis que se
est investigando (Gujarati, 2004).
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


118
P
t
=
[
12
p
21
-p
11
1 -[
12
[
21
+
t


C
t
=

21
q
11
-q
21
1-
12

21
+v
t


Si en ese modelo imponemos una restriccin nula sobre, por ejemplo, el trmino
independiente de la ecuacin de demanda (p
11
), lo que equivale a obligar a pasar esa recta por el origen
de coordenadas, tendremos:

1
=
[
12
q
21
1-[
12
[
21
|7.S.16]

2
=
-q
21
1-[
12
[
21
|7.S.17]

De ah que [
12
= -
M
11
M
21
. De esta forma podemos afirmar que la ecuacin de demanda es identificada,
gracias a la restriccin que se ha impuesto.

Si sustituimos ese valor de [
`
12
en |7.S.S] y |7.S.6] llegamos a:

3
=
[
12
q
21
1+
M
11
M
21
[
21
|7.S.18]

4
=
-q
21
1+
M
11
M
21
[
21
|7.S.19]
Entonces:

4
=
-N
21
p
21
N
21
+N
11
[
21

4
(
4
+
1
[
21
) = -
4
p
21

4
+
1

21
= -
21


En una ecuacin tenemos dos incgnitas, por lo que el sistema es indeterminado, porque
la ecuacin de oferta es inidentificable.

d) Imponer restricciones sobre la matriz de varianzas y covarianzas del sistema en su
forma estructural: Este es el caso, por ejemplo, de los denominados sistemas recursivos,
en los que la matriz de varianzas y covarianzas correspondiente a las perturbaciones
contemporneas de cada una de las ecuaciones es diagonal (covarianzas nulas de los
trminos de perturbacin). Otro ejemplo resultar de analizar el ejemplo del sistema de
ecuaciones de oferta y demanda de un bien. Si conocemos el valor del parmetro [
2
(por
ejemplo mediante su estimacin por el mtodo de variables instrumentales implicando
una restriccin de exclusin en la ecuacin de oferta-) podramos calcular:

u
1t
= C
t
d
-[
`
2
P
t


Ese valor estimado de la matriz de residuos poblacionales ser consistente, por lo que si
empleamos esa estimacin de los residuos como instrumento (puesto que est muy
correlacionado con la variable explicativa endgena de la ecuacin de oferta el precio-)
junto con el instrumento que habamos empleado para obtener el valor de [
`
2
, podremos
obtener estimaciones consistentes de los parmetros de la ecuacin de oferta. Pero para
que esto sea as junto con la restriccin de exclusin antes mencionada habremos tenido
que suponer que u
1t
no est correlacionado con u
2t
(es decir, u
t
d
no est correlacionado
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


119
con u
t
s
), para que podamos emplear u
t
d
como instrumento en la ecuacin de oferta,
obteniendo as estimadores consistentes de los parmetros estructurales de esa ecuacin.
De ah que para llegar a la identificacin hemos tenido que imponer restricciones
sobre la matriz de covarianzas.

e) Incluir nuevas variables en el modelo: Esta informacin adicional tambin puede
ayudar a la identificacin de los parmetros del modelo. Veamos esto algebraicamente.
Para ello en el sistema constituido por las ecuaciones [7.4.5] a [7.4.7] aadamos una
variable explicativa adicional en la ecuacin de demanda, as tendremos:
C
t
d
= [
2
P
t
+[
3
I
t
+u
1t
|7.S.2u]
C
t
o
=
2
P
t
+u
2t
|7.S.21]


donde I
t
representan los ingresos del demandante (variable exgena), [
2
< u, [
3
> u y

2
>0. Empleando la condicin de equilibrio entre oferta y demanda obtenemos:

[
2
P
t
+[
3
I
t
+u
1t
=
2
P
t
+u
2t

De donde:
P
t
=
1
I
t
+
t
|7.S.22]

con H
1
= -

2
-
2
; y
t
=

2t
-
1t
[
2
-
2
.

Y sustituyendo el valor del precio en equilibrio |7.S.22] en, por ejemplo, la ecuacin
|7.S.21], llegamos a la siguiente ecuacin en forma reducida:

C
t
=
2

1
I
t
+
2

t
+u
2t
|7.S.2S]

C
t
=
2
I
t
+m
t


Con H
2
= -

2

2
-
2
; y m
t
=

2
(
2t
-
1t
)
[
2
-
2
+u
2t


Por tanto tenemos tres parmetros estructurales a estimar ([
2
, [
3
,
2
) y dos coeficientes de la
forma reducida, lo que implica que la ecuacin de demanda est subidentificada, al ser imposible
encontrar una solucin para todos los coeficientes estructurales. No obstante para el parmetro
estructural de la ecuacin de la funcin de oferta (
2
) si es posible encontrar un valor nico a partir de
los coeficientes de la forma reducida, por lo que esa ecuacin ser exactamente identificada. Puesto
que:

2
=
H
2
H
1


Cmo determinar si una ecuacin es identificada, subidentificada (inidentificada) o
sobreidentificada, es decir cules son los criterios para la identificacin?

Para lograr este objetivo tendremos que recurrir a las condiciones de identificacin que son de
dos tipos
61
: condiciones de orden y condiciones de rango. Por qu se denominan as a estas
condiciones? Simplemente porque para poder estimar los parmetros de una ecuacin (y por tanto que
la ecuacin sea identificada) se tiene que cumplir dos condiciones:


61
Para la identificacin podramos proceder como hasta ahora, es decir analizando las restricciones en las
ecuaciones del sistema, pero este mtodo se hace muy tedioso cuando el nmero de regresores y/o ecuaciones
aumenta, puesto que requiere el clculo de la forma reducida.
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


120
a) El nmero de instrumentos para la ecuacin es al menos tan grande como el
nmero de variables endgenas que actan como explicativas. A esta se le conoce
como condicin de orden.

b) Las filas de E(ZtXt) siendo X la matriz de variables predeterminadas ms los
instrumentos y Z la matriz de variables predeterminadas ms las endgenas que actan
como explicativas- tienen que ser linealmente independientes. sta es conocida como
la condicin de rango (puesto que implica que el rango de la matriz ZtXt es completo).

Antes de entrar de lleno en cules son estas condiciones vamos a discutir brevemente el
planteamiento que nos llevar a definir las condiciones de orden y de rango. Partamos de un
modelo en su forma estructural:

H
t
+BX
t
= u
t
|7.S.24]

Donde y B son, respectivamente, matrices de coeficientes de orden (n*n) y (n*m)- y ut un vector
de perturbaciones de orden (n*1); X
t
contiene las variables predeterminadas e
t
todas las
variables endgenas, por tanto de E(Xtut)=0.


t
= -H
-1
BX
t
+H
-1
u
t
|7. . 25]

Y
t
= HX
t
+u
t
|7. . 2]


A) Condiciones de Orden:

Teniendo en cuenta que las restricciones empleadas usualmente son las de exclusin, la
condicin de orden implicar que el nmero de restricciones de exclusin sea al menos igual (o
mayor) que el nmero de ecuaciones menos 1 (q M-1).

De esta forma podemos sintetizar las condiciones de orden como sigue. Sea M el nmero de
ecuaciones en el sistema (igual al nmero de variables endgenas), y q el nmero de variables (del total)
que no estn incluidas en la ecuacin (ya sean endgenas o predeterminadas). La condicin de orden
implicar:

a) Si q < M - 1, entonces el sistema es subidentificado.
b) Si q = M - 1, entonces el sistema es exactamente identificado.
c) Si q > M - 1, entonces el sistema es sobreidentificado.

Estas condiciones se pueden expresar de otra forma si diferenciamos entre variables
endgenas y predeterminadas (exgenas y endgenas retardadas) incluidas y excluidas en el modelo. Si
diferenciamos en M el nmero de variables endgenas incluidas en la ecuacin (que denotaremos
como M*) y el nmero de variables endgenas excluidas en la ecuacin (M**), y por analoga
descomponemos K en K* (nmero de variables predeterminadas incluidas en la ecuacin incluyendo,
si es el caso, la ordena en el origen interseccin-) y K** (nmero de variables predeterminadas
excluidas en la ecuacin), la condicin de identificabilidad q M-1 se pueden expresar en otros
trminos. As, teniendo en cuenta que q= M**+K**, como adems M= M*+ M**-1, tendremos:
M**+K** M*+ M**-1, lo que equivale a la condicin K** M*-1 (el nmero de variables
predeterminadas excluidas de la ecuacin sea igual o mayor que el nmero de variables
endgenas incluidas en la ecuacin menos una):

a) Si K**<M*-1, entonces la ecuacin es subidentificada.
b) Si K**=M*-1, entonces la ecuacin es exactamente identificada.
c) Si K**>M*-1, entonces la ecuacin es sobreidentificada.

Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


121
sta es una condicin necesaria pero no suficiente. Aunque tendremos que
implementarla para poder distinguir si la ecuacin es identificada o sobreidentificada. De esta
forma tendremos que, mediante las condiciones de orden, determinar qu ecuaciones son identificadas
o sobreidentificadas, y a esas les aplicaremos las condiciones de rango. Las condiciones de orden son
necesarias pero no suficientes, porque se han formulado basndonos en el nmero de ecuaciones
(K+q), pero esto no garantiza que todas las ecuaciones sean linealmente independientes. En otras
palabras, una ecuacin que cumpla la condicin de orden de identificabilidad puede no estar
identificada si no todas las variables predeterminadas excluidas de una ecuacin (incluidas en el
sistema) sean independientes.


B) Condiciones de Rango:

En un modelo con M ecuaciones (con M variables endgenas) una ecuacin est identificada si
y slo si se puede formar un determinante no nulo de orden M-1, a partir de los coeficientes de las
variables endgenas y predeterminadas excluidas de esa ecuacin, pero incluidas en las otras ecuaciones
del modelo.

a) Si no se puede formar al menos un determinante no nulo de orden M-1, a partir de los
coeficientes de las variables endgenas y predeterminadas excluidas de esa ecuacin, pero
incluidas en las otras ecuaciones del modelo la ecuacin es subidentificada (puesto que
el rango de la matriz ser menor que M-1).

b) Si la matriz formada a partir de los coeficientes de las variables endgenas y
predeterminadas excluidas de la ecuacin -que se est identificando-, pero incluidas en las
otras ecuaciones del modelo, presenta al menos una matriz cuadrada de orden M-1la
ecuacin es identificada. En otras palabras esta condicin de rango permite afirmar
que hay una sola solucin para los parmetros estructurales partiendo de los
parmetros dados de la forma reducida. Ser exactamente identificada cuando slo
haya un determinante distinto de cero de rango igual a M-1.

c) En cambio ser superidentificada cuando haya ms de un determinante distinto de cero
de rango igual a M-1.

Veamos a efectos prcticos una forma sencilla de aplicar las condiciones de rango:

Partamos, en primer lugar, de uno de los modelos planteados ms arriba:

_
C
1t
-[
1
-[
2
C
2t
-[
3
isp
t
- [
4
Icmp
t
= u
1t
|7.1.7]
C
2t
-
1
-
2
C
1t
-
3
isp
t
+u
2t
|7.1.8]



Para determinar si se cumplen o no las condiciones de rango tendremos que construir una
tabla con tantas filas como ecuaciones y tantas columnas como variables hay contenidas en la forma
estructural del modelo. De tal forma que si en una ecuacin aparece una determinada variable su
casilla tendr un valor distinto de 0, y 0 en caso contrario. En el ejemplo que venimos empleando
tendremos:

Const C
1t
C
2t
x
t
Te
t

Ecuacin |7. 1. 7] -[
1
1 -[
2
-[
3
-[
4

Ecuacin |7. 1. 8] -
1
-
2
1 -
3
0

La condicin de orden nos permite determinar que la ecuacin |7.1.7] no es identificada (es
subidentificada puesto que K**(=0)<M*-1 (=1)), por lo que no habr que analizarla en relacin a
las condiciones de rango. Respecto a la ecuacin |7.1.8] tendremos que proceder eliminando la fila de
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


122
la correspondiente ecuacin y las columnas para las que la casilla de la ecuacin son distintas a cero. En
nuestro ejemplo concreto tendremos:

Te
t

-[
4


Cmo ltimo paso tendremos que comprobar si hay al menos M 1 filas y columnas cuyos
elementos son todos distintos de cero, para saber si es identificada. En nuestro caso tenemos 1 filas
y columnas con valores distintos de cero, por lo que la ecuacin es exactamente identificada.
Obviamente en el caso de que se imponga la restriccin sobre [
4
de que su valor es 0, la ecuacin no
sera indentificable.

Veamos esto mismo desde una perspectiva alternativa:

_
C
1t
= [
1
+[
2
C
2t
+[
3
isp
t
+ [
4
Icmp
t
+u
1t
|7.1.7]
C
2t
=
1
+
2
C
1t
+
3
isp
t
+u
2t
|7.1.8]



a) Condiciones de orden:
En la primera ecuacin tenemos que: K**(predeterminadas excluidas)=0<M*-1 (variables
endgenas incluidas)=1.
En la segunda ecuacin tenemos que: K**=M*-1 =1.
Por tanto la primera ecuacin es subidentificada y la segunda exactamente identificada.

b) Condiciones de rango:
Para la primera ecuacin:
A=_
[
1
[
2
[
3
[
4

1

2

3
u
_; R=_
u
u
u
u
_; A*R=
u
u
p|A R] = < M-1, en consecuencia la
ecuacin es subidentificada.

Para la segunda ecuacin:
A=_
[
1
[
2
[
3
[
4

1

2

3
u
_; R=_
u
u
u
1
_;A*R=
[
4
u
p|A R] = 1 = M-1, en consecuencia la
ecuacin es identificada, pues p|A R] = 1 = H -1 y no hay ms de un determinante distinto
de cero que cumple la condicin, por lo que es exactamente identificada.


7.3.2. Estimacin y validacin.

Para las ecuaciones simultneas, la aplicacin del mtodo de mnimos cuadrados ordinarios
(MCO) resulta en estimadores sesgados y con errores cuadrados medios que pueden ser bastante
elevados, especialmente en muestras pequeas. De aqu que se utilizan procedimientos especializados
tales como la estimacin recursiva, los mnimos cuadrados en dos y tres etapas (MC2E, MC3E), o bien
la estimacin mximo verosmil con informacin limitada (LIML, de Limited-Information Maximum
Likelihood) o con informacin completa (FIML, de Full-Information Maximum Likelihood). Estos mtodos
de estimacin se pueden clasificar en dos grandes grupos atendiendo a la informacin de que
dispongamos:

a) Mtodos de Informacin limitada: Que implican estimar ecuacin a ecuacin (Mnimos
Cuadrados Recursivos, MCI, Variables instrumentales, Mnimos Cuadrados en dos etapas,
Mxima verosimilitud con informacin limitada).
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


123
Estos mtodos, al realizar la estimacin ecuacin a ecuacin, no tienen en cuenta la
informacin relativa a la especificacin de las otras ecuaciones del sistema, de forma que no
tiene en cuenta cules son las restricciones de identificacin de las otras ecuaciones. En
cambio los mtodos de informacin completa utilizan toda la informacin que existe en el
sistema de cada una de las ecuaciones, lo que permite que las estimaciones con estos
mtodos sean, adems de consistentes, asintticamente eficientes.

b) Mtodos de Informacin completa: Que implican estimar simultneamente todo el
conjunto de ecuaciones (Mnimos Cuadrados en 3 etapas y Mxima verosimilitud con
informacin completa).

Cmo estimar los parmetros de un sistema de ecuaciones simultneas?
Para tener una visin esquemtica de cules son los mtodos de estimacin, tendremos que
distinguir, adems de los sistemas recursivos (y de los SURE), entre sistemas con ecuaciones
exactamente identificadas y superidentificadas, y la forma de abordar la estimacin, es decir ecuacin a
ecuacin (mtodos de informacin limitada) o estimacin simultanea de todas las ecuaciones (mtodos
de informacin completa). As tendremos:

Cuadro 7.3.2: Estimacin de parmetros en sistemas multiecuacionales
Sistemas SURE Sistemas recursivos
Resto de sistemas de ecuaciones simultneas
Identificadas
Superidentificadas
(al menos una de las
ecuaciones)
MCG-Zellner MCO MCI/MC2E
VI
(en sus diferentes variantes
segn se estime ecuacin a
ecuacin o de forma simultnea)

Ecuacin a Ecuacin:
MC2E/MVIL

Estimacin simultnea:
MC3E/MVIC

Los dos primeros casos presentados en el cuadro anterior (SURE y sistemas recursivos) ya han
sido analizados, por lo que nos centraremos a continuacin en los restantes casos
62
.

A) Mtodos de Informacin limitada: Tambin denominados mtodos uniecuacionales,
porque implican estimar ecuacin a ecuacin. As estimaremos cada ecuacin del sistema
individualmente, teniendo en cuenta las restricciones a las que est sujeta (para hacerla identificable) sin
tener en cuenta en esta fase de estimacin las restricciones que afecten a las otras ecuaciones del
sistema. No obstante para la fase previa de identificacin si se habr tenido en cuenta la informacin
proporcionada por las restantes ecuaciones del sistema. Dentro de esta familia de mtodos de
estimacin tenemos
63
: Mnimos Cuadrados Recursivos, MCI, Variables instrumentales, Mnimos
Cuadrados en dos etapas, Mxima verosimilitud con informacin limitada).

Es importante subrayar que slo se podrn estimar los parmetros de un sistema de ecuaciones
simultneas siempre que ninguna de sus ecuaciones sea no identificada (subidentificada). En caso
de que la ecuacin sea identificada (exactamente identificada) el mtodo apropiado es el denominado
de los Mnimos Cuadrado Indirectos (MCI)
64
. En cambio, en el caso de ecuaciones
sobreidentificadas el mtodo de estimacin ms aplicado es el de los Mnimos Cuadrados en 2

62
Las propiedades de los estimadores para sistemas de ecuaciones simultneas no se suelen conocer en el caso de
que se trabaje con muestras finitas, por lo que nos referiremos a las propiedades asintticas.
63
Se han desarrollado otros mtodos de estimacin pero su anlisis se escapa de los objetivos de este texto.
64
En ingls se expresa como Indirect Least Squares (ILS).
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


124
Etapas (MC2E)
65
, aunque este ltimo tambin se puede aplicar con ecuaciones exactamente
identificadas.

A.1) Mnimos Cuadrado Indirectos (MCI):

Este mtodo consiste en la obtencin de las estimaciones de los parmetros estructurales a
partir de las estimaciones por MCO de los parmetros de la forma reducida. En concreto para obtener
la estimacin por MCI tendremos que dar los siguientes pasos:

1) Obtener la forma reducida para las ecuaciones.
2) Estimar, por MCO, la matriz de coeficientes de la forma reducida (M

), en cada una de
las ecuaciones de la forma reducida del sistema (los estimadores sern consistentes
puesto que no habr regresores estocsticos al ser todas las variables explicativas
predeterminadas).
3) A partir de las relaciones algebraicas existentes entre los coeficientes de la forma
reducida y de la forma estructural se deducen los valores de los coeficientes de la
forma estructural (que sern nicos, puesto que la ecuacin es exactamente
identificada) a partir de los coeficientes obtenidos en el primer paso.

Estos estimadores sern funciones continuas de estimadores consistentes, por lo que
sern estimadores consistentes y asintticamente eficientes, aunque esto no implica que sean
insesgados.

Es importante insistir en la idea que el mtodo de los MCI slo puede emplearse para estimar
los parmetros estructurales de la ecuacin (o ecuaciones) que est exactamente identificadas,
pero no permitir estimar las ecuaciones que an perteneciendo al mismo sistema no estn
exactamente identificadas. Adems a medida que en un sistema el nmero de ecuaciones sea elevado
este mtodo de estimacin se hace tedioso, por lo que no se suele emplear. Como alternativa se emplea
el mtodo de los MC2E. Hay que subrayar que el problema de simultaneidad no es sino una forma de
endogeneidad, por tanto, al igual que ocurra con los problemas de omisin de variables relevantes
y de errores de medida, el mtodo de estimacin ms empleado ser el de variables instrumentales.

En el caso de ecuaciones sobreidentificadas no se puede aplicar MCI porque para cada
parmetro de la forma estructural podremos encontrar dos o ms valores a partir de la forma reducida.

A.2) Variables Instrumentales (VI):

En el caso en que al menos una de las variables explicativas est correlacionada con los
trminos de perturbacin, lo que se suele dar con mucha frecuencia en el caso de los modelos
multiecuacionales, como vimos en secciones precedentes los estimadores por MCO no sern
consistentes. En ese caso podemos recurrir a los estimadores por Variables Instrumentales, que,
recordemos, se basan en buscar variables (Z) que sustituyan a las que estn correlacionados con el
trmino de perturbacin por otras que no lo estn y que a su vez estn muy correlacionadas con las
variables a las que sustituyen. En trminos algebraicos el problema que se plantea es
plim|
1
n
X
i
u] = u
Para solventarlo buscamos una (o ms variables) Z que cumplan que lim
n
z
n
= u y
lim
n
zX
n
existe y es una matriz no singular.

Teniendo en cuenta que si estimamos por variables instrumentales la matriz de regresores
Xt=[1, Xt,Yt-1] se reemplaza por Zt=[1, Xt,Zt].


65
En ingls se expresa como Two Stage Least Squares (TSLS).
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


125
El estimador mediante variables instrumentales del vector de parmetros del modelo ser
o
`
= (Z
i
X)
-1
Z, donde Z incluye a las variables que actan como instrumento de la/s variable/s del
modelo original
66
. Por analoga con lo que vimos en la estimacin por MCO, el estimador del vector de
parmetros o
`
se distribuir asintticamente como una normal:

o
`
Iv
n
----|o,

2
|(Z
i
X)
i
(Z
i
Z)
-1
(Z
i
X)]
-1
]

De esta forma los estimadores por VI son consistentes. Veamos un ejemplo de aplicacin de este
mtodo VI. En concreto apliqumoslo al modelo de Haavelmo:

C
t
=

+
1
Reta
t
+u
t

Reta
t
= C
t
+I
t


En este ejemplo, la correlacin que observbamos entre la renta y el trmino de perturbacin en la
ecuacin reducida, plantea problemas de consistencia del estimador por MCO. Para evitar esto
podemos recurrir al mtodo de estimacin por VI, pero qu variable utilizar como instrumento? En
este caso un firme candidato es la inversin (I
t
), puesto que est correlacionada con la renta pero, en
principio, no con las perturbaciones. De esta forma:

Xt=[1, Rentat] se reemplaza por Zt=[1, It]; y el estimador quedara:

IF
=(Z
i
X)
-1
(Z
i
)

El estimador por variables instrumentales de la renta ser ms eficiente en la medida en que el
instrumento y la renta estn ms correlacionados.

La nica dificultad, en general compleja de resolver, es buscar una variable que pueda servir como
instrumento. Una opcin para soslayar este problema es recurrir a un caso particular de estimacin
por variables instrumentales, como es el de los Mnimos Cuadrados en Dos Etapas (MC2E), en el que
se utilizan los valores predichos de la variable endgena que causa los problemas como instrumento de
esa variable, en el que los valores predichos se obtienen a partir de una regresin en el que los
regresores son todas las variables predeterminadas en el sistema completo, que por ser
predeterminadas son no estocsticas.


A.3.) Mnimos cuadrados en dos etapas:

Recordemos que este mtodo se puede aplicar tanto para ecuaciones identificadas
67
como
sobreidentificadas.

La idea que subyace tras este mtodo de estimacin (tal como habamos subrayado en el tema
3) es reemplazar el regresor endgeno (estocstico), cuya correlacin con el trmino de
perturbacin genera los sesgos en la estimacin por MCO, por uno que no sea estocstico y por
tanto est incorrelacionado con el trmino de perturbacin. Para obtener los estimadores por MC2E
habr que implementar las dos etapas siguientes
68
:

1) Obtener los valores predichos de la variable endgena de inters (que a su vez ser
regresor en al menos otra de las ecuaciones del sistema) regresando esta variable respecto
a todas las variables predeterminadas del sistema (mediante MCO). Esto es
equivalente a estimar las ecuaciones en forma reducida y obtener los valores predichos
(ajustados) para las variables endgenas.

66
Este vector de caractersticas ser al menos tan grande (en nmero de variables) como X. Recordemos que las
condiciones que debe de cumplir el vector Z son: estar correlacionado con X, pero ser independiente de u.
67
En el caso de ecuaciones exactamente identificadas los resultados obtenidos por MC2E y MCI coincidirn.
68
Emplearemos el lgebra suponiendo un sistema con dos ecuaciones simultneas en el que la primera est
sobreidentificada y la segunda no.
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


126

2t
= N

0
+N

1
X
1t
+N

2
X
2t


2) El valor predicho para la variable endgena en la primera etapa se incluir como regresor
sustituyendo sta en la forma estructural original. De esta forma el valor ajustado o
predicho acta como proxy o instrumento del valor real de la variable endgena. Una
vez realizado esto se procede a estimar por MCO. De esta forma conseguiremos que los
coeficientes obtenidos sean consistentes
69
.

y
1t
= H
2t
+BX
t
+u
t


Es importante que el modelo ajustado en la primera etapa presente una alta bondad del
ajuste (R
2
), para que el valor predicho y el real de la variable endgena sean prximos (estn muy
correlacionados), es decir el valor ajustado o predicho sea un buen instrumento de su valor real.
Adems en ese caso los resultados por MCO y por MC2E sern muy similares. Tambin podramos
emplear otras variables como proxies o instrumentos para la variable endgena (en cuyo caso estaramos
en presencia de una estimacin por VI en sentido puro, que se analiz en la subseccin anterior).


A.3.1) Mnimos cuadrados en dos etapas con autocorrelacin:

A.3.1.1) En el caso de modelos sin variables endgenas retardadas:
Partiendo de la nomenclatura empleada hasta ahora:

y
t
=
t
+BX
t
+u
t


y
t
= AZ
t
+u
t
= |E B] _

t
X
t
_ = u
t


AZ
t
= |E B] _

t
X
t
_ = u
t


Siendo o

los elementos de la matriz A de coeficientes estructurales, partamos de un esquema de


autocorrelacin del tipo:

u
,t
= p

u
,t-1
+
,t
, con u
t
ruido blanco.

En este contexto la autocorrelacin genera problemas de falta de eficiencia, afectando as a
los test de verificacin de hiptesis, pero no afecta a la consistencia. Si partimos, al igual que hicimos
en el tema 3, de la transformacin de Prais-Winsten para cada una de las ecuaciones del modelo:

,t
-p

,t-1
= p

,t
-p

,t-1
+[

(X
,t
-p

X
,t-1
) +
,t
, con t2 y |p

|<1 [7.4.10]

Para obtener una estimacin consistente de p

podemos emplear el coeficiente de autocorrelacin


muestral de orden 1 para los residuos obtenidos por MCO:

p
i
=
u
,t
u
,t-1
1
t=2
u
,t
2 1
t=1



69
Sin embargo en muestras pequeas el estimador por MC2E puede ser sesgado, puesto que aunque
las variables predeterminadas por definicin son no estocsticos los M

sern estocsticos al ser funcin


de las perturbacin aleatoria y por tanto y
1t
tambin ser funcin de la perturbacin aleatoria.
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


127
Siendo u
,t
una estimacin de la perturbacin que surge de un modelo en el que se han obtenido
estimaciones consistentes de

mediante MC2E. Pero, qu variables instrumentales emplear? El


problema de correlacin se presenta entre
,t
y u
,t
, por tanto tendremos que instrumentalizar
t
, para
lo que emplearemos el valor estimado para
t
(
t

) en una regresin en la que todas las variables


exgenas acten como instrumento. Siguiendo a Greene (1998) el modelo se puede estimar siguiendo
los pasos que se detallan a continuacin:

a) Estimar los parmetros de la forma reducida (M) con (XX)
-1
XY y obtener estimaciones
consistentes de
t
(
t

) a partir de los correspondientes instrumentos.



b) Calcular p

utilizando MC2E, a partir de lo cual podremos obtener



p
i
=
u
,t
u
,t-1
1
t=2
u
,t
2 1
t=1


c) Partiendo de los valores de
t

y de los valores obtenidos para p


i
, derivaremos estimaciones
por MCGF de los parmetros de la forma estructural transformada que se mostr en [7.4.10].

El estimador resultante se puede demostrar que es asintticamente eficiente.


A.3.1.2) En el caso de modelos con variables endgenas retardadas:

En este caso ni la forma reducida obtenida en la etapa a), ni las subsiguientes
estimaciones de p

sern consistentes, puesto que habr regresores estocsticos. Es posible solventar


esto? La respuesta es s; para ello bastar con llevar a cabo la etapa a) anterior pero considerando a
las variables endgenas retardadas como puramente endgenas (obviando su retardo), es decir
sacarlas fuera del vector de variables predeterminadas, puesto que en la primera etapa slo se requiere
estimaciones consistentes de p

, no eficientes
70
. De esta forma en la etapa b) se obtienen estimaciones
consistentes, aunque no eficientes. Esos residuos consistentes sern los que se empleen en la
estimacin de los valores p

. A partir de estos p
i
acometo la tercera etapa, derivando estimaciones por
MCGF en las que se obtienen estimaciones para los parmetros de las variables endgenas retardadas
como si stas fueran puramente endgenas. De esta forma se obtienen estimaciones que no son
totalmente eficientes, puesto que no se ha estimado la forma reducida completa y el estimador de p no
es eficiente. Para resolver esto se puede recurrir a un procedimiento de iteracin en la ltima etapa.

Veamos con un ejemplo de la relacin de ejercicios cmo deberamos proceder a efectos
prcticos a la hora de llevar a cabo una estimacin por MC2E.


A.4) Mxima Verosimilitud con Informacin Limitada (MVIL)
71
.

Al igual que los estimadores anteriores se basa en la estimacin ecuacin a ecuacin. La idea
que subyace detrs de este estimador es la de obtener estimaciones que maximicen la funcin de
verosimilitud con respecto a todos los parmetros desconocidos del modelo. A este estimador tambin
se le denomina ratio de varianza mnima. Debido a la complejidad de su estimacin (en cuanto al
clculo de la funcin de verosimilitud), el profesor Schmidt desarroll una forma sencilla de obtener
estimadores idnticos a los MVIL. Los pasos a seguir partiendo de una ecuacin perteneciente a un
sistema de ecuaciones simultneas, como la que se presenta a continuacin, son los siguientes

1t
= [
12

2t
+
11
X
1t
+
12
X
2t
+u
1t


70
Greene (1998).
71
Limited Information Maximum Likelihood (LIML).
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


128

Partiendo de la ecuacin anterior realizamos particiones del rango de valores de [
12
, para cada valor de
las correspondientes particiones estimo un valor de
1t
que denotaremos por
1t
pu
1
, y que ser igual a
la diferencia entre el valor observado de
1t
y el valor de [
12

2t
correspondiente a la particin
(
1t
pu
1
=
1t
-[
12
pu
1

2t
). A continuacin se regresa el valor de cada
1t
pu
, respecto a todas las
variables predeterminadas, obtenindose para cada estimacin una suma de cuadrados de residuos
(SCR). Para determinar el estimador MVIL elegiremos aquel valor que minimice el ratio de diferencias
entre pares de estimaciones, es decir el valor de [
12
que minimice la expresin:

SCR
pcr
i-SCR
pcr
]
SCR
pcr
i
i, ]

En el caso de ecuaciones exactamente identificadas los resultados obtenidos por MVIL,
MC2E y MCI coincidirn. El estimador MVIL es un estimador consistente, que, en el caso de que la
ecuacin a la que se aplique sea exactamente identificada, adems ser un estimador asintticamente
eficiente y con distribucin normal asinttica.

B) Mtodos de informacin completa: Tambin denominados mtodos de sistemas,
puesto que implican estimar simultneamente todo el conjunto de ecuaciones, teniendo en cuenta, por
tanto, las restricciones que afectan a todas las ecuaciones del sistema; de ah que se reciban el nombre
de mtodos de informacin completa. Dentro de este conjunto de mtodos destacaremos los
Mnimos Cuadrados en 3 etapas y Mxima verosimilitud con informacin completa. Es importante
subrayar que los mtodos de informacin completa en principio son preferibles que los de informacin
limitada por su mayor riqueza en informacin, sin embargo esto les hace requerir mucho ms recursos
computacionales (ralentizando su estimacin) adems de hacerlos ms difciles de resolver puesto que
las soluciones que proporcionan son no lineales en los parmetros. Adems los potenciales errores de
especificacin que existan en una o ms ecuaciones del sistema sern transmitidos al resto del sistema
por su filosofa de estimacin; por todo ello se suele recurrir ms a la estimacin mediante mtodos de
informacin limitada.

B.1) Mnimos Cuadrados en Tres Etapas (MC3E)
72
.
Este mtodo de estimacin fue propuesto por Theil y Zellner (1962). El estimador (MC3E) se
puede considerar una combinacin de los mtodos de estimacin en dos etapas (MC2E) y los mnimos
cuadrados generalizados (MCG). El primer mtodo de estimacin me permitir obtener estimaciones
consistentes, y el segundo estimaciones eficientes. Para la obtencin del estimador MC3E tendremos
que seguir las dos etapas del estimador por MC2E y aadir una etapa adicional. Veamos esto partiendo
de un sistema de ecuaciones:

1) Elijo variables instrumentales para obtener una estimacin de Y (en la forma reducida). A
continuacin obtenemos estimaciones, mediante mnimo cuadrados en dos etapas, de
[
`
MC2L
en cada una de las m ecuaciones:

`
Iv
=(Z
i
X)
-1
(Z
i
).

2) A partir de los parmetros de la forma reducida se obtienen los parmetros de la forma
estructural (de las m ecuaciones del sistema), y partiendo de esas estimaciones se obtiene
una estimacin de los residuos en cada ecuacin ( -X
`
Iv
), y se calcula la covarianza
entre ellos:


72
Three Stages Least Square (3SLS).
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


129
p
i]
=
_

i

] i,]
(1-k
i
)(1-k
]
)
i, ] = 1, , m (ecuaciones)

3) Partiendo de esa estimacin de los valores de la matriz de varianzas y covarianzas
podemos obtener el estimador MCG
73
mediante la expresin (q est constituida por los
elementos estimados de p
i]
)
74
:

[
`
MC3L
= (Z
`
i
q
-1
Z
`
)
-1
Z
`
q
-1


Este estimador cumple los requisitos de los estimadores por variables instrumentales, por lo
que implcitamente ser consistente:

plim (
1
T
Z
`
qu
t
)= plim [
1
T

]t
Z
`
]t
u
|t
m
J=1
=

Adems es un estimador asintticamente eficiente (de entre todos los estimadores
obtenidos por VI), y en el caso de que las perturbaciones sigan una distribucin normal el estimador
MC3E tiene la misma distribucin asinttica que el estimador MVIC, que veremos en la siguiente
subseccin.

A pesar de sus ventajas no est exento de inconvenientes, que bsicamente radican en que
requiere disponer de una cantidad elevada de informacin; adems si se comete un error de
especificacin en alguna ecuacin, ese error afecta a las estimaciones de los coeficientes de las
restantes ecuaciones, cosa que no ocurre en los mtodos de informacin limitada, pues al estimarse
en esos ltimos ecuacin a ecuacin el error de especificacin de una ecuacin no afectara a los
coeficientes estimados en las restantes ecuaciones. A pesar de esto es ms rpido computacionalmente
que MVIC y, en el caso de que existan correlaciones entre las perturbaciones aleatorias de
distintas ecuaciones estructurales, es ms conveniente que MVIC.


B.2) Mxima Verosimilitud con Informacin Completa (MVIC)
75
.
Este mtodo de estimacin se emplea (aunque con menor frecuencia que MC2E y MC3E)
cuando se quiere obtener estimaciones mximo verosmiles en un sistema de ecuaciones con trminos
de perturbacin que se distribuyen segn una normal; dando lugar a estimadores eficientes. De hecho
son los ms eficientes posibles para la estimacin de un sistema de ecuaciones simultneas. La idea que
subyace tras este mtodo de estimacin es que, partiendo de nuestra formulacin del sistema de
ecuaciones simultneas, podemos calcular la funcin de densidad conjunta del vector formado por
todas las variables endgenas condicionado al valor de las variables predeterminadas, y al maximizar
esa funcin de verosimilitud conjunta obtendremos el estimador por MVIC.

Este estimador pertenece a la familia de los mtodos de estimacin por variables
instrumentales, por la forma en que se implementa. Veamos cmo se puede obtener el estimador
MVIC:

[
`
MvIC
= (Z
`
([)
i
q
-1
Z)
-1
Z
`
([)q
-1



73
Tambin denominado mtodo de Aitken.
74
RccurJcsc quc q (= I).
75
Full information Maximum Likelihood (FIML).
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


130
Siendo Z

()
i
q
-1
=
`


11
Z
`
1

21
Z
`
1

1
Z
`
1

12
Z
`
2

22
Z
`
2

2
Z
`
2

13
Z
`
3

23
Z
`
3

3
Z
`
3

1
Z
`


2
Z
`
,

Z
`

=Z



y Z

j
= |XM

j
X
j
]. Teniendo en cuenta que H

]
corresponde con la forma reducida que se estima a
partir de las ecuaciones en forma estructural, tal que:

H

]
= -H

-1
B


y p
i]
=
_

i

] i,]
(1-k
i
)(1-k
]
)
=_

i
-z
i
6
i

i
-z
]
6
]

(1-k
i
)(1-k
]
)

`
Ij
-1
.
Nuestro estimador por Mxima Verosimilitud con Informacin Completa consistir en maximizar la
funcin de distribucin conjunta de y
t
= AZ
t
+u
t
(funcin de verosimilitud) respecto a los
coeficientes estructurales (A) y la matriz de covarianzas q.

En el caso en que el modelo sea exactamente identificado el estimador por MCI coincide
con el estimador MVIC. Adems en caso de ser exactamente identificado el estimador MVIC produce
los mismos valores para las estimaciones que el estimador por Variables Instrumentales y el estimador
por MC2E. En cambio si el modelo est sobreidentificado la estimacin por Variables
Instrumentales, MC2E y MVIC no son equivalentes, siendo en este caso MVIC el ms eficiente.

El estimador por MVIC es asintticamente insesgado y eficiente. Igualmente es ms
eficiente que los estimadores obtenidos por mtodos de informacin limitada. Adems, en el caso en el
que las perturbaciones estn normalmente distribuidas el estimador MC3E tiene la misma distribucin
asinttica que MVIC (Greene, 1998), lo que unido a que al ser MC3E computacionalmente ms fcil
de implementar hace que se suela implementar MC3E con mayor frecuencia que MVIC.

7.4. Simulacin y prediccin.

Simulacin:
Respecto a la simulacin, la problemtica que encierra puede ser vista de forma muy sencilla a
partir de un ejemplo. As supongamos que tenemos el siguiente sistema de ecuaciones de demanda de
dos bienes (bien 1 y bien 2):

_
C
1t
= [
1
+[
2
C
2t
+ [
3
X
1t
+u
1t
C
2t
=
1
+
2
C
1t
+
3
X
2t
+u
2t



Partiendo de este modelo, en primer lugar tendremos que estimar los valores de los parmetros, a
partir de lo cual predecir los valores de C
1t
. Pero para predecir C
1t
es necesario conocer los valores de
C
2t
. Para poder afrontar esta cuestin tendremos que obtener la forma reducida del sistema:

_
C
1t
= N
11
+N
12
X
1t
+N
13
X
2t
+
1t
C
2t
= N
21
+N
22
X
1t
+N
23
X
2t
+
2t



Dando valores a X
1t
y X
2t
podramos obtener sucesivas predicciones de C
1t
y C
2t
a partir de este
modelo. La cuestin es conocemos los valores de X
1
y X
2
para el periodo de prediccin?. En el
caso de que no conozcamos por ninguna va esos valores tendremos que simularlos, por ejemplo
extrapolando su valor a partir de una tcnica univariante (como las vistas en la asignatura Mtodos
Economtricos Aplicados a la Empresa I), o bien haciendo una serie de hiptesis sobre cul puede ser
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


131
la evolucin futura de los valores de esas variables. De ah que se hable de simulacin, en lugar de
prediccin.

Prediccin:

a) Prediccin a partir de informacin subjetiva:
Cuando no tengamos ninguna fuente de informacin histrica en la que apoyarnos, tendremos
que recurrir, en general, a la informacin proporcionada por los agentes (carcter subjetivo). As
podemos recurrir a diferentes fuentes de informacin subjetiva:
- Encuestas de actitudes o sentimientos.
- Encuestas en las que los individuos manifiestan sus intenciones o expectativas. Por
ejemplo las intenciones de inversin en infraestructuras de las administraciones pblicas
o los empresarios, o las de particulares, relativas a la compra de bienes duraderos.
- Discusin en grupo de la que surge informacin (brainstorming: lluvia de ideas).
- Combinacin de las opiniones de expertos para obtener previsiones ms globales. Por
ejemplo prediccin de alumnos que se van a presentar a un examen a partir de la
opinin individual de los profesores que imparten en cada uno de los grupos.
- Previsiones de expertos con retroalimentacin. En esto se basa por ejemplo el mtodo
Delfos, dentro del cual se procede recogiendo la informacin de un panel de expertos
que al ser agrupada pasa de nuevo a los expertos para que, en funcin de las previsiones
globales, reformulen sus previsiones.

b) Prediccin a partir del alisado de series temporales:
Este tipo de prediccin hace referencia a procedimientos basados en la existencia de
informacin histrica. Las tcnicas ms habituales son:
- Frmulas ad-hoc de prediccin. En este contexto las predicciones se obtienen mediante
algn mecanismo automtico, que se establece a priori y que sigue un esquema de
clculo recursivo. Por ejemplo los mtodos de las medias mviles y el alisado
exponencial.
- Ajuste de tendencias. Constituye el enfoque clsico de series temporales, y se basa en la
descomposicin de la serie temporal en sus componentes de tendencia, estacionalidad y
ciclo.
- Anlisis temporal de procesos estocsticos (enfoque moderno del tratamiento de series
temporales). Basado en el anlisis del comportamiento estocstico de una serie.

c) Prediccin a partir de relaciones entre variables:
- Anlisis de correlacin entre variables (ejemplo: correlaciones entre agregados
macroeconmicos).
- Modelos de simulacin determinista (ejemplo: tablas input-output).
- Establecimiento de analogas: Cuando hay fenmenos econmicos similares en
diferentes ubicaciones espaciales. Por ejemplo la elasticidad precio de la demanda de
aceite de oliva puede ser muy similar en pases mediterrneos (por la similitud en dietas
y renta per capita).
- Modelos economtricos uniecuacionales o multiecuacionales: Establecen
relaciones de causalidad, incluyendo un componente aleatorio (trmino de
perturbacin).


Como ejemplo vamos a realizar la simulacin que tienen colgado en el Campus Virtual.
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


132
Bibliografa

Angrist, J. D. (1990). The Draft Lottery and Voluntary Enlistment in the Vietnam Era, NBER
Working Papers 3514.

Cagan, P. (1956). The Monetary Dynamics of Hyperinflations, en M. Friedman (ed.) Studies in the
Quantity Theory of Money, University of Chicago Press, Chicago.

Friedman, M. (1957). A Theory of the Consumption Function. National Bureau of Economic Research,
Princeton University Press, Princeton.

Greene, W. (1998). Introduction to Econometrics. Ed. Prentice Hall, Madrid.

Hamilton, J. D. (1994). Time series Analysis. Princeton University Press, New Jersey.

Ljung, G. y Box, G. On a Measure of Lack of Fit in Time Series Models. Biometrika, 66, pp. 265-
270.

Marcenaro, O. D. (2008). Manual de iniciacin al manejo del programa informtico EVIEWS y sus
aplicaciones economtricas. Universidad de Mlaga.

Newey, W. y West, K. (1987). A Simple Positive Semi-Definite, Heteroskedasticity and
Autocorrelation Consistent Covariance Matrix. Econometrica, 55, pp. 703708.

Novales, A. (2000). Econometra. Ed. McGraw Hill, Madrid.

Otero, J. M. (1993). Econometra. Series temporales y Prediccin. Ed. AC, Madrid.

White, H. (1980). A Heteroskedasticity-Consistent Covariance Matrix and a Direct Test for
Heteroskedasticity. Econometrica, 48, pp. 817838.

Wooldridge, J. (2005). Introduccin a la Econometra. Un enfoque moderno. (2 Edicin). Editorial
Thomson, Madrid.

Zellner, A. (1962). An efficient method of estimating seemingly unrelated regression equations and
tests for aggregation bias. Journal of the American Statistical Association, 57: pp. 348368.
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


133
Apndice A: Alfabeto griego.

Letras griegas
Alfa
Beta
Gamma
Delta
psilon
Dseta
Eta
Theta
Iota
Kappa
Lambda
My
Ny
Xi
micron
Pi
Ro
Sigma
Tau
psilon
Fi
Ji
Psi
Omega
Notas de Econometra II
Antonio Caparrs Ruiz y Oscar D. Marcenaro-Gutirrez


134
Nota: La Depresin de los aos 30 y el multiplicador de Haavelmo:

Continuando con el estudio del modelo y las propuestas keynesianas, vamos a analizar ahora el
efecto del consumo pblico, de los gastos y los ingresos del estado, sobre la demanda agregada.

No hay ningn mecanismo automtico que haga que la renta de equilibrio coincida con la
produccin de pleno empleo. La renta de equilibrio -en otras palabras, el valor de los bienes y servicios
que el sistema tiende a producir- est determinada por la demanda agregada. Si sta estuviese formada
exclusivamente por el consumo privado y la inversin de los empresarios, sera mucha casualidad que
coincidiesen produccin real y produccin de pleno empleo; los deseos de ahorro de las familias y las
expectativas de los empresarios no tienen por qu conjuntarse en la proporcin y cuanta exacta
requeridas. Es ms, si en algn momento coincidiesen, el resultado sera muy inestable ya que las
expectativas de los empresarios cambian continuamente, cclicamente.

Los economistas neoclsicos consideraban que el sistema econmico mostraba una
tendencia natural hacia un equilibrio con pleno empleo. Contrariamente a esas previsiones, la Gran
Depresin de los aos treinta puso en evidencia que era posible contemplar una situacin estable de
depresin y que el desempleo poda permanecer durante largos perodos.

Pero el pesimismo del anlisis keynesiano vino acompaado de la receta para la correccin de
esas situaciones: la poltica fiscal del gobierno -la manipulacin de los impuestos y los gastos del sector
pblico- poda reconducir la demanda agregada hasta la altura exacta que permitiera una produccin
sostenida de pleno empleo.

Los gastos del gobierno estn formados por sus compras de bienes y servicios y por las
transferencias: las pensiones de invalidez y jubilacin, subsidios de desempleo y subvenciones a las
empresas, entre otras. En general, los gastos del Estado suponen un aumento de la demanda agregada.
La determinacin de la cuanta de esos gastos es una decisin poltica exgena, es decir, independiente
de la renta; por tanto puede ser considerada como de cuanta fija. Pero la cuanta puede ser ajustada
para que la produccin real coincida con la produccin de pleno empleo.

La incidencia de los gastos del gobierno sobre la renta real tambin recibe el nombre de efecto
multiplicador. Un aumento en los gastos del gobierno por valor de 100 puede provocar un aumento
en la renta de 500.

Pero no se puede olvidar que existen tambin ingresos pblicos. Los impuestos, al detraer
dinero de las rentas de las familias, desplazan la demanda agregada en sentido descendente. La
consiguiente disminucin en la renta real se ver afectada igualmente por el efecto multiplicador. A
pesar de todo, el efecto conjunto de una subida igual en los gastos pblicos y en los impuestos ser
beneficioso. Este efecto es el llamado "multiplicador de Haavelmo. La explicacin es que los
impuestos estn no slo haciendo disminuir el consumo sino provocando adems una disminucin en
los ahorros. Si todo lo que detrae el gobierno en forma de impuestos es gastado, el efecto sobre la
demanda agregada ser ascendente, la cantidad ahorrada en el sistema disminuir, y la renta real subir.