Macroeconometría Aplicada con E-Views 5

Macroeconometra Aplicada con E-Views 5
Expositor: Jos Carlos Tello

Macroeconometra con EViews 5.0 1

Macroeconometra Aplicada con
EViews 5.1



Sesin 1

Econometra terica y aplicada
1

Tanto la econometra terica como la aplicada presentan dos aproximaciones
la clsica y la Bayesiana. En el curso nos concentraremos en la econometra clsica,
salvo que hagamos explcito el uso de la tradicin Bayesiana. La econometra terica
est vinculada al desarrollo de mtodos apropiados para la medicin de relaciones
econmicas especificadas por modelos economtricos, dicha rea de estudio nos
indica el mtodo de estimacin, sus propiedades y sus desventajas cuando uno o ms
supuestos no se cumplen.

En el caso de la econometra aplicada, usamos las herramientas que nos
provee la econometra terica para estudiar algn rea especfica de la economa o de
las finanzas. En el curso ha dictarse pretendemos mostrar con diversos ejemplos
campos de la economa las cules hemos divido en dos grupos: Macroeconometra y
Microeconometra. Esta clasificacin depende obviamente de los campos de la
economa ha tratarse, y no de los mtodos de estimacin. Como veremos en el
desarrollo de los cursos varios mtodos de estimacin pueden ser aplicados tanto para
la Macroeconoma como para la Microeconoma.

Modelo de Regresin Lineal Clsica

1 1 1 x n x k k x n x n
X y + =

Tambin podemos representarlo haciendo explcitas las matrices, observa las
dimensiones de los vectores y el nmero de columnas de la matriz X.

(
(
(
(
+
(
(
(
(
(
(
(
(
(
=
(
(
(
(
n k
k
n n n
k
k
n
x x x
x x x
x x x
y
y
y
M M
L
M O O M
L
L
M
2
1
2
1
2 1
2
2
2
1
2
1
2
1
1
1
2
1

El vector contiene los efectos marginales de cada variable independiente sobre la
variable dependiente.

1
1
1
1
1
n
n
x
y
x
y
= =

1
Tomado del libro Basic Econometrics de Damodar Gujarati (2003).
Variable
dependiente
Variables
independientes
Errores no
controlados

Como podemos observar dichos efectos marginales son constantes, no vara
entre los datos de la muestra. Esto es obvio porque se trata de un modelo lineal (lineal
con respecto a los parmetros).

Repasemos las caractersticas de este modelo, el orden de ellas est relacionado
a su importancia en la econometra prctica.

1. Ortogonalidad entre las variables explicativas y los errores. Las variables
explicativas o independientes no pueden tener correlacin alguna con los
errores. Matemticamente esta idea tiene la siguiente notacin:

| | 0 = ' X E

Si en un modelo economtrico las variables explicativas o alguna de ellas tienen
correlacin con los errores, en ese caso ser una muestra que los errores contienen
informacin til para la estimacin. Por ello, es necesario especificar bien el modelo
para extraer toda la informacin posible
2
.

2. Los errores se caracterizan por poseer una varianza constante
(homocedasticidad). La idea es que los errores no pueden presentar ningn
comportamiento definido, solo deben estar alrededor de cero y con una
variabilidad que se pueda controlar (varianza constante).

| |
(
(
(
(
(
= =
2
2
2
2
0
0 0
0 0

L L
M O M
L O
L
n
I ' E

3. La no multicolinealidad de las variables explicativas. En la matriz de
informacin X no podemos tener dos o ms variables que posean el mismo
comportamiento, de ser ese el caso estaramos incrementado el nmero de
variables explicativas sin sentido. Matemticamente, decimos que el rango de
la matriz X es igual a k.
4. La distribucin de los errores ( ) condicional a X es conjuntamente normal.
Matemticamente podemos expresar esta idea de la siguiente manera:

( )
n
I , N ~ X |
2
0
5. El modelo es lineal con respecto a los parmetros.

Sobre el tamao de la muestra

En esta seccin haremos mencin tanto a una variable de corte transversal
como a una serie de tiempo. En econometra y meteorologa lamentablemente el
investigador no puede realizar experimentos controlados. De ah que nuestras
variables explicativas no sean variables de control como sucede en la fsica,
microbiologa, economa experimental, entre otras disciplinas. Debido a esto, el tema

2
En el contexto de series de tiempo, la idea ser que las variables explicativas son ortogonales a los
errores en el pasado, presente y futuro.

sobre el tamao de la muestra es importante antes de realizar cualquier tipo de
estimacin. En el caso que nuestra investigacin solo considere un grupo de
individuos, empresas o pases sin importar el periodo de tiempo, la muestra debe ser
de buena calidad, es decir, representativa de la poblacin, las caractersticas deben
ser similares a la muestra para una encuesta. La muestra debe considerar las
principales caractersticas de la poblacin. Por ejemplo, si queremos estimar la funcin
de costos de una industria, debemos recopilar informacin de empresas grandes,
medianas y pequeas, en una proporcin similar a la poblacin; tambin deberamos
considerar otras caractersticas como la evaluacin crediticia, la percepcin del
mercado en cuanto a su desempeo futuro, entre otros. A modo de resumen, la
muestra debe ser reflejo en una escala ms pequea de la poblacin.

En el caso que la base de datos sea series de tiempo, la muestra debe ser de
buena calidad, tanto en su tamao como el periodo que contiene. Por ejemplo, si la
base de datos es de frecuencia mensual durante 5 aos, el tamao de la muestra es
importante (60) pero esto no es suficiente. En el caso que durante esos 5 aos la
economa estuvo bajo un contexto de recesin entonces no podemos utilizar dicha
muestra para inferir sobre futuros escenarios de expansin, de igual manera en el
caso contrario. Por otro lado, si nuestra muestra captura escenarios de expansin,
recesin y contraccin pero solo contamos con 10 datos anuales, entonces tendramos
una muestra pequea pero representativa de la situacin que queremos evaluar. Las
limitaciones en este caso son de carcter operacional como el tener pocos grados de
libertad, funciones de distribucin no especficas al realizar las hiptesis de trabajo,
entre otras.

Posibles errores en la eleccin de la muestra
-18
-13
-8
-3
2
7
12
17
1970 1972 1974 1976 1978 1980 1982 1984 1986 1988 1990 1992 1994 1996 1998 2000 2002
Periodos de expansin
Cambios estructurales en el sistema econmico
Muestra de 60 datos mensuales en
periodo de recesin y recuperacin
Muestra de 10 datos anuales en
periodo de expansin y
contraccin
Muestra de 24 datos en periodo con cambios estructurales
%
PBI



Mnimos Cuadrados Ordinarios (MCO)

El mtodo de Mnimos Cuadrados Ordinarios es el ms utilizado para la
estimacin de modelos lineales como el presentado anteriormente. El mtodo consiste
en minimizar la suma de los residuos al cuadrado, matricialmente sera:

( )( )'
X y
X y ' ee min =

Observa que la funcin a minimizar considera los residuos estimados (e) pues el
vector que minimiza la funcin es
, el vector de parmetros estimados.

( ) y ' X X ' X
1
=

El R
2
, el coeficiente de determinacin:

( )
( )
=
=
n
i
i
n
i
i
y y
y y
1
2
1
2

Aplicacin 1: Abrir el programa ols_matrices.prg

Propiedades del estimador de MCO

Muestra pequea: la idea de esta seccin es mostrar las caractersticas de la
distribucin del estimador de MCO para una muestra de tamao n.

El Teorema Gauss-Markov nos dice que el estimador de MCO es eficiente (su
varianza es la ms pequea que cualquier otro estimador).
El estimador de MCO es una funcin de la muestra (y,X) si dichas variables
son aleatorias entonces el estimador tambin lo ser. Si fijamos X y tenemos
todas las posibles realizaciones de y tomamos el promedio de los
MCO
y dicho
promedio ser igual al verdadero valor .
Eficiencia del estimador MCO. Si calculamos el
MCO
para las diferentes

muestras, el promedio de dichos estimadores coincidir con el valor verdadero.

Aplicacin 2: abrir el workfile demo.wf1 y el programa demo.prg

En el workfile demo tenemos 4 variables (series): (i) M1 son los saldos
monetarios nominales, (ii) GDP es el producto interno bruto, (iii) RS es la tasa de
inters nominal y (iv) PR es el ndice de precios. Esta base de datos es trimestral y no
presenta problemas de estacionalidad
3
.

3
En la sesin 2 trataremos este concepto y su tratamiento.


Observemos que existen dos objetos que aparecen por defecto en el workfile.
El objeto de nombre c y el de nombre resid. Cada uno posee un icono diferente, el
primero se trata de un vector de coeficientes (diferente a un vector comn) y el
segundo se trata de una variable (serie). Toda estimacin que se realice, los
parmetros estimados sern almacenados en dicho objeto c. Si logramos estimar
otro modelo los parmetros almacenados sern modificados. En el caso del objeto
resid, ste almacena momentneamente los residuos de la ltima regresin.
El modelo que vamos a estimar es la curva LM donde incluiremos el rezago del
ndice de precio (darle dinmica al modelo).

t t t t t
PR RS GDP M + + + + = ) ln( ) ln( ) 1 ln(
4 3 2 1

Como podemos observar, podemos utilizar el comando log(.) para indicar la
transformacin de las variables directamente en la ventana de estimacin.

Hacemos clic en el botom aceptar y obtenemos nuestra regresin por MCO.



Dependent Variable: LOG(M1)
Method: Least Squares
Sample (adjusted): 1952Q2 1996Q4
Included observations: 179 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
LOG(GDP) 0.794201 0.005350 148.4401 0.0000
RS -0.025599 0.002423 -10.56536 0.0000
DLOG(PR) -2.833614 0.978736 -2.895176 0.0043
C 1.217897 0.028462 42.79084 0.0000
R-squared 0.994104 Mean dependent var 5.816642
Adjusted R-squared 0.994003 S.D. dependent var 0.753241
S.E. of regression 0.058333 Akaike info criterion -2.823192
Sum squared resid 0.595487 Schwarz criterion -2.751965
Log likelihood 256.6757 F-statistic 9834.776
Durbin-Watson stat 0.156263 Prob(F-statistic) 0.000000

Observamos que los parmetros estimados son significativos al 5%, es decir,
no existe evidencia suficiente para afirmar que los coeficientes son iguales a cero.
Tambin podemos ver que el modelo en su conjunto es distinto a un modelo en el cual
solo se incluya la constante. Para esto debemos ver la probabilidad de aceptar la
Hiptesis Nula (estadstico F), ste al ser menor que 0.05 entonces rechazamos la
Hiptesis que el modelo estimado es similar al modelo con una sola constante.

A continuacin resumimos los pasos para analizar la validez de una estimacin por
MCO.

a) Analizar los impactos marginales, es decir, que el signo de los parmetros
coincida con la hiptesis de trabajo (teora econmica).
b) Contrastar el grado de significancia de los parmetros estimados. Regla
prctica: la probabilidad debe ser menor a 0.05. Esto significa que la
probabilidad de equivocarse al rechazar la hiptesis nula es muy baja. El lmite
de 0.05 es fijado por consenso, en otros experimentos controlados el lmite
fijado es 0.01.
c) Una vez que los pasos a) y b) fueron exitosamente evaluados, el siguiente
paso es verificar el poder de explicacin del modelo. El modelo debe pasar con
xito la prueba F y poseer un R
2
alto segn nuestros objetivos.
d) Evaluar si el modelo cumple con los supuestos principales del modelo de
regresin lineal clsico. Ortogonalidad de las explicativas y los errores,
homocedasticidad de los errores, linealidad del modelo con respecto a las
variables explicativas (parmetros constantes).

Cumplimiento de los supuestos

a) Homocedasticidad de los errores

Identificacin


Para ello es necesario realizar el contraste de Heterocedasticidad de White. En la
ventana equation demo nos dirigimos al men view/residual test/white
heterocedasticity y obtenemos lo siguiente:

White Heteroskedasticity Test:
F-statistic 4.856650 Probability 0.000009
Obs*R-squared 36.78279 Probability 0.000029

Test Equation:
Dependent Variable: RESID^2
Sample: 1952Q2 1996Q4
Included observations: 179
C -0.001512 0.024550 -0.061581 0.9510
LOG(GDP) 0.004432 0.008837 0.501530 0.6167
(LOG(GDP))^2 -0.000469 0.000735 -0.638033 0.5243
(LOG(GDP))*RS 0.000463 0.000277 1.667973 0.0972
(LOG(GDP))*(DLOG(PR)) -0.079382 0.123765 -0.641395 0.5221
RS -0.004765 0.001752 -2.719960 0.0072
RS^2 8.38E-05 5.27E-05 1.590174 0.1137
RS*(DLOG(PR)) 0.011808 0.042215 0.279710 0.7800
DLOG(PR) 0.773604 0.617379 1.253045 0.2119
(DLOG(PR))^2 -7.693573 8.655845 -0.888830 0.3754

La idea del contraste es muy simple, la hiptesis es si la varianza de los errores
(estimados mediante los residuos al cuadrado) es variable y depende de las variables
explicativas. Para ello, se estima un modelo lineal cuya variable dependiente es el
residuo al cuadrado y las explicativas son las variables independientes en niveles y al
cuadrado. Si la varianza es constante entonces todos los parmetros salvo la
constante no son significativos y para evaluar esta hiptesis basta realizar la prueba F.

De acuerdo a la prueba F calculada, se rechaza la hiptesis nula. Cul es la
hiptesis nula? La nula es que la relacin estimada ofrece la misma informacin que
una regresin donde solo considera la constante, es decir, la varianza es constante a
lo largo de la muestra (homocedasticidad). Viendo el contraste calculado observamos

que muchos parmetros son significativos, es decir, ayudan a explicar el componente
de la varianza que no es constante.

Problemas

El problema de no corregir la heterocedasticidad en un modelo lineal es que las
pruebas de inferencia sobre los parmetros estaran distorsionadas. En la prctica la
prueba de significancia de los parmetros, la prueba F, y otros contrastes especficos
sobre los parmetros no estn garantizados que se comporten como en la teora. Sin
embargo, los parmetros estimados son los mismos corrigiendo o no la
heterocedasticidad.

Solucin

La solucin es estimar el modelo mediante MCGF (Mnimos cuadrados
generalizados factibles). Para la correccin del problema solo basta ir a la ventana de
la ecuacin estimada y hacer clic en el botn: options. A continuacin se muestra la
siguiente ventana:

Dado que nuestra base de datos es de corte transversal, la opcin a utilizarse
es White esta opcin corrige la heterocedasticidad de los residuos.

b) Autocorrelacin de los residuos

Identificacin
Tenemos dos formas para identificar la probable autocorrelacin. La primera es
observar el estadstico Durban Watson, si ste es diferente de 2 entonces estamos
antes la presencia de residuos con autocorrelacin de orden uno. En nuestro modelo
el D-W es 0.52, entonces podemos afirmar que existen autocorrelacin de orden uno
en los residuos. Existir correlacin de orden 2 o superior? Utilizaremos el
correlograma calculado para los residuos y tenemos lo siguiente:



Observemos con cuidado la correlacin parcial. El primer valor (0.90) es
significativo (cae fuera de la banda de confianza). Los posteriores rezagos caen dentro
de la banda de confianza y pueden considerarse estadsticamente igual a cero (el
quinto valor -0.28 cae fuera de la banda de confianza pero es probable que esto sea
un valor no importante).

Problemas
Al igual que la heterocedasticidad, el problema de la autocorrelacin tiene un
impacto sobre la eficiencia de los parmetros estimados. Es decir, es probable que los
estadsticos muestren resultados que no seran los apropiados y rechazar la hiptesis
nula cuando no debera.

Solucin
En este caso, la solucin prctica es volver a estimar el modelo con la opcin
Newey-West para corregir la autocorrelacin y heterocedasticidad de los residuos.


c) Linealidad del modelo (efectos marginales constantes)

Identificacin

La linealidad del modelo implica que los parmetros estimados deben ser
constantes en todo el periodo de estimacin. Uno de los test para evaluar dicha
linealidad es el de coeficientes recursivos. Para ello, en la ventana de la ecuacin
estimada nos dirigimos al men view/stability test/recursive estimation

Elegimos la opcin recursive coefficients. Aclaremos que c(1) corresponde al
primer parmetro estimado, en nuestro ejemplo, corresponde a la elasticidad producto
costo total. El mtodo de estimacin recursiva, es una idea muy simple, consiste en
estimar el modelo utilizando la muestra ms pequea posible y observar los
parmetros estimados, luego se agrega un dato a la muestra y se vuelve a estimar, y
este es el mtodo recursivo y podemos ver como se comporta los parmetros cuando
ampliamos la muestra.
.3
.4
.5
.6
.7
.8
.9
1960 1965 1970 1975 1980 1985 1990 1995
Recursive C(1) Estimates 2 S.E.
-.04
-.03
-.02
-.01
.00
.01
.02
.03
1960 1965 1970 1975 1980 1985 1990 1995
-6
-4
-2
0
2
4
6
8
10
1960 1965 1970 1975 1980 1985 1990 1995
1.0
1.5
2.0
2.5
3.0
3.5
1960 1965 1970 1975 1980 1985 1990 1995



Parece que los parmetros 1 y 4 son los ms inestables del modelo. Para
verificar si esto pone en riesgo la estabilidad del modelo en su conjunto, realicemos el
test CUSUM Square que est en la misma ventana.

-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
55 60 65 70 75 80 85 90 95
CUSUM of Squares 5% Significance

Efectivamente, el estadstico CUSUM of Squares sale de la banda de
confianza. Por lo tanto, el modelo no es estable en sus parmetros entre 1960 - 1987.

Problemas

Si la linealidad del modelo no se cumple, esto llevara a problemas en la
simulacin o proyeccin de variables. Recordemos que los parmetros o efectos
marginales se asumen constantes, por lo tanto son efectos promedio dada la muestra.
Si esos efectos son muy variables entorno a esa muestra entonces sus valores
esperados o promedios (valores esperados condicionados a la muestra) no coincidirn
con el verdadero valor del efecto marginal. El error de prediccin sera
extremadamente alto y el modelo tendra poco valor en la prctica.

Solucin

Las soluciones son variadas y esto depende de la fuente de inestabilidad.
Examinemos las fuentes de inestabilidad y las soluciones a seguir.

a) Mala especificacin del modelo. Esto puede ser originado por variables
omitidas, mala especificacin de la funcin a estimar y restricciones en los
parmetros.
b) Quiebre estructural. En el caso de muestras de corte transversal, este quiebre
estructural se debe a cambios en los efectos marginales por grupos o sub-
muestras. En nuestro ejemplo, esta inestabilidad se debera a que la
elasticidad ingreso-demanda es diferente por periodos de tiempo? La solucin
de este problema es el empleo de variables dummy para controlar el cambio de
los efectos marginales por periodos.

Modifiquemos la especificacin de la ecuacin y agreguemos los primeros rezagos de
las variables analizadas.



Dependent Variable: LOG(M1)
Newey-West HAC Standard Errors & Covariance (lag truncation=4)
LOG(GDP) 0.296637 0.084828 3.496908 0.0006
RS -0.005248 0.000906 -5.789039 0.0000
DLOG(PR) 0.028147 0.236140 0.119198 0.9053
C 0.094934 0.023433 4.051279 0.0001
LOG(M1(-1)) 0.913770 0.018346 49.80830 0.0000
LOG(GDP(-1)) -0.225113 0.087918 -2.560474 0.0113
RS(-1) 0.002462 0.000911 2.703267 0.0076

Podemos observar que sucede con el test CUSUM os Squares.

-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1955 1960 1965 1970 1975 1980 1985 1990 1995
CUSUM of Squares 5% Significance

La estimacin mejora considerablemente a la anterior. Sin embargo, el
parmetro asociado a la variable inflacin no es significativo. Ante esto surge la
pregunta Cul de los dos modelos es mejor? El segundo est mejor especificado y
eso lo mostramos con la prueba de estabilidad. Adems, al incluir nuevas variables el
modelo es considerablemente mejor (parsimona y ajuste). Basta con observar y
comparar el estadstico Schwarz. El segundo modelo tiene un menor Schwarz.



c) Ortogonalidad entre variables explicativas y los errores

Identificacin
En este caso, el incumplimiento de este supuesto nace por consideraciones
tericas. Por ejemplo, en la aplicacin anterior podra afirmarse que el modelo est
incompleto pues se omite la relacin que existe entre la variable explicativa ln(GDP) y
ln(M1) pues el nivel de produccin tambin depende de la poltica monetaria aplicada
en ese periodo. As tendramos el siguiente sistema de ecuaciones:

t t t t t
PR RS GDP M + + + + = ) ln( ) ln( ) 1 ln(
4 3 2 1

( )
t t
M f GDP 1 ln( , ) ln( =

Donde estara la no ortogonalidad? Examinemos que sucede si hay un shock en la
demanda de dinero (
t
) esto lleva a un incremento en ( )
t
M1 ln y como la funcin ln es
estrictamente montona y continua entonces la variable ) ln(
t
GDP tambin responde
ante el choque original.

Problema
Si estamos frente a un problema de no ortogonalidad de las variables
explicativas y errores entonces los parmetros estimados sern sesgados. Dada la
insesgadez no es posible realizar pruebas de simulacin o proyeccin pues los efectos
marginales se encuentran distorsionados.

Solucin
La solucin para este tipo de problema es el uso de variables instrumentales. Si
las variables explicativas X estn correlacionadas a los errores, entonces busquemos
una variable que est relacionada con X pero no con los errores. En otras palabras,
busquemos una variable instrumental que servir como sustituto de la variable
explicativa X. Esta solucin nos lleva a la sesin 3: Mtodo de Mnimos Cuadrados de
2 Etapas y GMM.



Sesin 2
Anlisis de series de tiempo: Parte 1

El anlisis clsico de las series de tiempo es determinar cul es su proceso generador
de datos. En el caso de conocerlo o aproximarlo podemos hacer inferencia en cuanto
a su comportamiento en el futuro o estimar el impacto de algn movimiento de la
variable de poltica. El principal indicador de un posible efecto dinmico es la funcin
de autocorrelacin.

Funcin de autocorrelacin muestral (identificacin de AR, MA)

+ =

=
T
t
t
k t
T
k t
t
k
T Y Y
K T Y Y Y Y
1
2
1
/ ) (
) /( ) )( (

Bandas de confianza: amplitud aproximada de dos desviaciones estndar ( T / 2 )

La idea bsica de esta funcin es cuantificar el efecto dinmico de la serie consigo
misma en intervalo de un periodo, dos periodos,, n periodos. Analicemos la serie
Tipo de Cambio Real en logaritmos (LTCR).

4.52
4.56
4.60
4.64
4.68
4.72
97 98 99 00 01 02 03 04 05
LNTCR

Ahora observemos el correlograma simple de la serie LNTCR.


La funcin de autocorrelacin simple nos indica una fuerte persistencia de la
serie a lo largo del tiempo. Lo obvio es que existe dinmica en la serie pero no
podemos afirmar nada an sobre el carcter especfico del proceso generador de
datos. El problema radica en que la correlacin parcial muestra la dependencia
temporal de la serie sin excluir o filtrar los efectos dinmicos adicionales. Por ejemplo,
la correlacin entre la serie con su tercer rezago es de 0.78, sin embargo, este valor
tambin incluye la correlacin entre la variable y su primer rezago, entre el segundo
rezago y el tercer rezago (ambas son medidas por la correlacin de orden uno).

Para solucionar este problema es necesario obtener la correlacin parcial, esta nos
ofrece una versin limpia (filtrada) de la dinmica de la serie. De esta manera,
podemos observar que la serie solo presenta el efecto dinmico de su primer rezago.
Adems, el parmetro de dicha correlacin es alto (0.93) que podra ser un indicio de
la presencia de raz unitaria. Esto podra confirmarse con las pruebas de raz unitaria
que veremos a continuacin.

Series No estacionarias: Contrastes de Raz Unitaria

Los procesos no estacionarios (media y varianza dependen del tiempo) pueden poseer
alguno de los modelos tericos propuestos:

a) La serie posee un proceso trend-stationary
t t
L t y ) ( + + =
b) La serie posee una raz unitaria (random walk with or without drift):
t t
L y L ) ( ) 1 ( + =

El Eviews 5.0 provee seis contrastes de raz unitaria: Dickey- Fuller Aumentado(ADF),
DF-GLS, el Phillips-Perron (PP), el KPSS, entre otros.

Existen diferencias importantes entre series estacionarias y no estacionarias. Los
shocks que afectan a una serie estacionaria son temporales (es decir, a travs del
tiempo los efectos se disiparn y la serie retornar a su valor medio de largo plazo);
mientras que los shocks que afectan a una serie no estacionaria (random walk)
tienen componentes permanentes. Como indicios para identificar una serie no
estacionaria tenemos:

No hay un valor medio de largo plazo al cual retorne la serie

La varianza depende del tiempo
Las funciones de autocorrelacin no convergen pero, en muestras finitas, el
correlograma converge lentamente.

Dickey Fuller

El modelo ms simple para evaluar la presencia de raz unitaria es el desarrollado por
Dickey Fuller es:

t t t
y y + + =
1

Restando ambos lados
1 t
y tenemos:

t t t
y y + + =
1
) 1 (
t t t
y y + + =
1

Ahora el contraste es el siguiente:

0 : 1
0 : 0
<
=
H
H

Por ello los contrastes DF, ADF, DF-GLS y PP son a una cola (izquierda) pues no nos
interesa el caso en que gamma es mayor que uno pues el proceso sera explosivo
4
.

Dickey Fuller Aumentado (ADF)

Esta prueba incluye tambin la regresin por MCO. El usuario puede excluir la
constante e incluir una tendencia lineal, tambin existe la opcin de pedir utilizar los
rezagos de la variable diferenciada (
i t
y

) de acuerdo a algn criterio de informacin.
En este caso recomendamos el criterio Bayesiano de Schwartz.

Null Hypothesis: LNTCR has a unit root
Exogenous: None
Lag Length: 1 (Automatic based on SIC, MAXLAG=12)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic 0.586528 0.8415
Test critical values: 1% level -2.586960
5% level -1.943882
10% level -1.614731
*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation
Dependent Variable: D(LNTCR)
Date: 01/19/06 Time: 17:07
Sample(adjusted): 1997:03 2005:12

4
Si =0, es claro que y
t
es una serie estacionaria, ya que tendr las mismas propiedades del ruido blanco.
Por el contrario, si = 1 se dice que y
t
tiene raz unitaria y adicionalmente, la serie es integrada de orden
1.

Included observations: 106 after adjusting endpoints
LNTCR(-1) 0.000153 0.000261 0.586528 0.5588
D(LNTCR(-1)) 0.260417 0.094922 2.743488 0.0072
Log likelihood 315.8769 Durbin-Watson stat 1.934445

La probabilidad mayor a 0.05 nos permite afirmar que no existe evidencia suficiente en
la muestra para rechazar la hiptesis nula de raz unitaria.

DF- GLS o contraste Elliot, Rothenberg y Stock (ERS)

Antes de aplicar la regresin propuesta por Dickey Fuller, se debe primero extraer la
tendencia de la serie original. Pero se trata de una cuasidiferencia (
1
t t
ay y ), donde
a toma el valor uno en el caso anterior (ADF). Aqu el valor a representa el punto
especfico contra el cual contrastamos la hiptesis nula (valor menor a uno).

Null Hypothesis: LNIPC has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 1 (Automatic based on SIC, MAXLAG=12)
t-Statistic
Elliott-Rothenberg-Stock DF-GLS test statistic -1.077667
5% level -3.024000
10% level -2.734000
*Elliott-Rothenberg-Stock (1996, Table 1)

DF-GLS Test Equation on GLS Detrended Residuals
Dependent Variable: D(GLSRESID)
Date: 01/19/06 Time: 17:15
GLSRESID(-1) -0.013622 0.012640 -1.077667 0.2837
D(GLSRESID(-1)) 0.429017 0.088867 4.827621 0.0000
R-squared 0.185321 Mean dependent var -6.52E-05

La prueba nos muestra la presencia de una raz unitaria a pesar que la serie presenta
una tendencia lineal determinstica.


PP (Phillips-Perron)

Este contraste estadstico estima una regresin haciendo una correccin sobre la
matriz de varianza y covarianzas de los residuos. La correccin es mediante un
mtodo no paramtrico.

Null Hypothesis: LNTCR has a unit root
Exogenous: None
Bandwidth: 5 (Newey-West using Bartlett kernel)
Adj. t-Stat Prob.*
Phillips-Perron test statistic 0.535573 0.8301
5% level -1.943853
10% level -1.614749

Residual variance (no correction) 0.000161
HAC corrected variance (Bartlett kernel) 0.000245

Phillips-Perron Test Equation
Dependent Variable: D(LNTCR)
Date: 01/19/06 Time: 17:14
LNTCR(-1) 0.000178 0.000266 0.667176 0.5061
R-squared -0.000145 Mean dependent var 0.000837
Adjusted R-squared -0.000145 S.D. dependent var 0.012753

Nuevamente, la serie LNTCR presenta raz unitaria (random wlak without drift)

KPSS (Kwiatkowski, Phillips, Smichdt y Shin)

Proponen contrastar como nula la hiptesis de estacionariedad en tendencias, sta es
la principal diferencia de los otros test de raz unitaria. KPSS es frecuentemente
utilizado con las otras pruebas de raz unitaria para investigar si la serie es
fraccionalmente integrada.

Null Hypothesis: LNIPC is stationary
LM-Stat.
Kwiatkowski-Phillips-Schmidt-Shin test statistic 0.235547
Asymptotic critical values*: 1% level 0.216000
5% level 0.146000
10% level 0.119000
*Kwiatkowski-Phillips-Schmidt-Shin (1992, Table 1)

Residual variance (no correction) 0.000366
HAC corrected variance (Bartlett kernel) 0.002587


KPSS Test Equation
Dependent Variable: LNIPC
Date: 01/19/06 Time: 20:04
Sample: 1997:01 2005:12
C 4.474315 0.003692 1211.861 0.0000
@TREND(1997:01) 0.002203 5.96E-05 36.94227 0.0000

Siendo el estadstico mayor al valor crtico entonces existe evidencia suficiente para
rechazar la hiptesis nula que el WPI sigue un proceso trend stationary.

Ajuste estacional

Las series de frecuencia mensual o trimestral presentan un comportamiento
estacional, es decir, un patrn que se repite ao tras ao. Por ejemplo, el producto
interno bruto mensual exhibe un patrn muy claro, todos los meses de febrero el
producto registrado es el menor en todo el ao. El motivo principal son los menores
das de produccin y otro motivo de menor importancia es el factor climtico que
afecta los sectores agrcola y de pesca.

Census X12

El Eviews es el nico programa que incluye el programa de desestacionalizacin X12
(U.S. Census Bureau) en la instalacin estndar. En otros programas es necesario
adquirir por separado el mdulo correspondiente. Como ejemplo de la aplicacin
tomaremos la serie LNPIB (producto interno bruto en logaritmos) y en el men del
objeto serie seleccionamos Proc/Seasonal Adjustment/Census X12 Dado que la
serie exhibe un componente estacional que estrechamente ligado al nivel de
produccin, es decir, es mayor cuando se produce ms y es menor cuando el producto
es pequeo entonces elegimos la opcin Multiplicative. En el caso del filtro para
extraer la tendencia dejamos en la opcin automtica.



Finalmente, elegimos que componentes de la serie sern guardadas. Escogemos la
serie desestacionalizada (seasonal adjustment series), la tendencia ms el ciclo
(trend-cycle) y el componente irregular (irregular component).

4.6
4.7
4.8
4.9
5.0
5.1
97 98 99 00 01 02 03 04 05
LNPIB LNPIB_SA LNPIB_TC

Extraccin de tendencia no lineal

Filtro Hodrick Prescott

Este filtro es un mtodo de suavizamiento estrictamente matemtico sin referencia
alguna al proceso generador de datos o a la dependencia a variables exgenas. El

mtodo consiste en calcular una serie
t
s que minimice la varianza de la serie original
alrededor de
t
s , sujeto a un parmetro de suavizamiento ( ) que penaliza la segunda
diferencia de
t
s (
t
s
2
).
( ) ( ) ( ) ( )

=
=
+
+ =
T
t
T
t
t t t t t t
s s s s s y
1
1
2
2
1 1
2
min

En la casilla lambda se especifica el parmetro de suavizacin por defecto es 1600
(datos trimestrales). Sin embargo, Ravn y Uhlig (2002) han mostrado que el parmetro
de suavizamiento debera ser 6.25 (datos anuales). Ver el siguiente cuadro:

Hodrick-Prescott Ravn-Uhlig
Anual 100 6.25
Trimestral 1600 1600
Mensual 14400 129600
Valores del parmetro de suavizamiento

-.08
-.04
.00
.04
.08
4.7
4.8
4.9
5.0
5.1
97 98 99 00 01 02 03 04 05
Final seasonally adjusted series
Trend
Cycle
Hodrick-Prescott Filter (lambda=14400)


Band Pass Filter

Estos filtros son usados para aislar el componente cclico de la serie especificando un
rango para su duracin. El filtro tiene la caracterstica de ser lineal y toma el promedio
mvil ponderado de la serie en ambos lados donde los ciclos caen en una banda,
dicha banda est dada por un lmite superior e inferior. Estos lmites dependen de la
frecuencia temporal de la serie. Por ejemplo, si la serie es anual los ciclos econmicos
el rango de duracin (periodicidad) va de 1.5 a 8 aos, si la serie tiene frecuencia
trimestral el rango podra estar entre 6 y 32 trimestres. Lo novedoso de este filtro es
que dichos lmites son expresados en trminos de frecuencia que describe el nmero
de ciclos en un periodo dado (periodicidad y frecuencia estn inversamente
relacionados).

La diferencia entre los filtros proporcionados por el EViews es la forma de calcular el
promedio mvil. El Baxter King emplea una amplitud de rezagos y adelantos fija, de
ah el carcter simtrico del filtro. En el caso del Christiano Fitzgerald, tambin es de
amplitud fija solo que su funcin objetivo es diferente al Baxter King. El caso del full
simple asymetric, los pesos del promedio mvil vara de acuerdo a los datos y al
cambio para cada observacin.

-.02
-.01
.00
.01
.02
.03
4.7
4.8
4.9
5.0
5.1
97 98 99 00 01 02 03 04 05
Final seasonally adjusted series
Non-cyclical
Cycle
Fixed length symmetric (Baxter-King) filter
-0.4
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
.0 .1 .2 .3 .4 .5
Actual Ideal
Frequency Response Function
cycles/period

En el ejemplo, elegimos 12 como el valor de la amplitud del promedio mvil
ponderado. As el filtro no podr estimar los ltimos doce meses y los primeros doce.
Si elegimos el filtro asimtrico podemos corregir esta desventaja.


Sesin 3
Variables instrumentales

Mnimo Cuadrados de 2 Etapas (MC2E)

El objetivo del mtodo es estimar los parmetros que cumplan con las propiedades
de grandes muestras. Por ejemplo, en una regresin lineal la condicin de
ortogonalidad | | 0 ' = e X E es indispensable para garantizar la insesgadez asinttica del
parmetro estimado. Este mtodo es empleado en varios estudios microeconmicos y
macroeconmicos.

Los ejemplos clsicos de este tipo de problemas ocurren cuando la variable
dependiente ( y ) determina o explica el comportamiento de alguna o todas las
variables explicativas del modelo ( X ). Otro ejemplo es cuando las variables
explicativas son medidas con error. En este punto es preciso mencionar que aquellas
variables explicativas que estn correlacionadas con los errores son denominadas en
la literatura como variables endgenas y aquellas que no estn correlacionadas con
los errores son denominadas variables exgenas.

Relevancia y Validez de los instrumentos

Las variables instrumentales Z deben cumplir dos requisitos:

a) | | 0 X ' Z E
b) | | 0 = ' Z E

Tenemos nuestro modelo lineal:
+ = X y

pero las variables explicativas estn correlacionadas con los residuos, a raz de este
problema es necesario elegir las variables instrumentales Z que deben cumplir con
los criterios de validez y relevancia ya expuestos. La idea bsica es que dichas
variables instrumentales extraigan el componente subyacente de las variables
endgenas X , la forma de hacerlo es realizando una regresin lineal entre cada
variable explicativa y Z .

Primera etapa
5

+ =Z X
i

i
X ' Z ) Z ' Z (
1
=

i i
X ' Z ) Z ' Z ( Z X
~
1
=

5
Se simplifica la notacin debido al diseo del curso.

La variable X
~
es una variable estimada en la primera etapa, digamos coloquialmente
que es una variable limpia de toda correlacin con los residuos . Una vez que
tenemos la variable explicativa corregida realizamos la estimacin del modelo original.

Segunda etapa
+ = X
~
y

( ) ( ) ( ) ( ) y ' Z Z ' Z Z ' X X ' Z Z ' Z Z ' X y ' X
~
X
~
' X
~
E MC
1
1
1
1
2

= =

Sin embargo, en macroeconoma es muy comn el uso del Mtodo de
Momentos Generalizado. Cabe mencionar que MC2E es un caso particular del Mtodo
de Momentos Generalizado. La idea es estimar una esperanza poblacional a partir de
la esperanza muestral. Por ejemplo, el primer momento de una variable estocstica
podemos estimarla con la media muestral (primer momento muestral). Los modelos
macroeconmicos vigentes se caracterizan por el uso de la optimizacin intertemporal
para derivar las relaciones ptimas entre variables explicativas y dependientes. Dicha
aproximacin no toma inters en la estimacin de parmetros, slo mantiene la forma
funcional en el que los parmetros subyacentes (aquellos que representan
preferencias y tecnologa) mantienen con los parmetros que dependen del rgimen
especfico de poltica.

Existe una limitacin emprica al estimar ecuaciones de Euler con MMG. El
problema est relacionado a la estimacin de los parmetros subyacentes pues tales
parmetros describen preferencias y tecnologa que por su naturaleza son constantes
en diferentes periodos de la muestra. Sin embargo, dichos parmetros no parecen ser
constantes. Hay varias posibles interpretaciones de la inestabilidad: i) puede ser una
seal de la mala especificacin del modelo, ii) al derivarse la ecuacin de Euler de un
agente representativo de la economa existe una prdida de informacin en la
agregacin. Por estas razones, surge otro campo de evaluacin emprica, en el cual se
estima los parmetros subyacentes a partir de estudios microeconomtricos de datos
desagregados. El uso de estos parmetros permite simular y comparar los resultados
con las variables macroeconmicas. Este mtodo es conocido en economa como
calibracin.

Aplicacin
6
: abrir el workfile clarida_gali.wf1 y el programa clarida_gali.prg

El mtodo para estimar estas relaciones ptimas es el MMG. El ejemplo de
aplicacin ser la estimacin de la regla de poltica monetaria de la FED (o funcin de
reaccin del FED). Clarida, Gal y Gertler (2000) estiman la funcin de reaccin de la
FED, y hacen hincapi en la divisin de la muestra en octubre de 1979 para mostrar el
cambio de la postura de la poltica monetaria. La etapa pre-octubre 1979 podra
denominarse como poltica monetaria acomodaticia y la etapa post-octubre 1979 sera
caracterizada como poltica monetaria activa y eficiente.

En el ejercicio mostrado estimaremos para el periodo post octubre 1979,
especficamente entre octubre 1982 y diciembre 1997.

El modelo emprico es especificado de la siguiente forma:

6
Como referencia del ejemplo a desarrollarse puede verse: Clarida, Gal y Gertler (2000) Monetary
Policy Rules and Macroeconomic Stability: Evidence and some theory. The Quarterly Journal of
Economics, Feb. 2000.


| | | |
* *
12
*
t t t t t t
y y E E r r + + =
+

( )
t t t t
r r r + + =
1
*
1
Donde
*
r es la tasa de inters objetivo. El mecanismo de ajuste parcial de la
tasa de inters es mostrado en la segunda ecuacin. Si vinculamos ambas ecuaciones
obtenemos la siguiente relacin:

( )( ) ( ) ( ) ( )
t t t t t t
r y y r r + + + + =
+ 1
*
12
*
1 1 1

Donde: ( )( ) ( )( )
t t t t t t t t
y E y E =
+ +
1 1
12 12

Si definimos a
t
u al conjunto de variables que forma parte del conjunto de
informacin de la FED al momento de definir el valor de la tasa de inters. Entonces
definimos la siguiente condicin de ortogonalidad: | | 0 | =
t t t
u E la cual ser estimada
de la siguiente manera:

( ) ( ) ( ) ( ) | | 0 | 1 1 1
*
12 1
=
+ t t t t t t
u y y r r E
Donde: ( )
*
= r .

ependent Variable: USFF
Method: Generalized Method of Moments
No prewhitening
Bandwidth: Fixed (12)
Kernel: Bartlett
Convergence achieved after: 68 weight matricies, 69 total coef
iterations
USFF= C(2)*USFF(-1) +(1-C(2))*(C(1)+C(3)*USINFL(+12) +C(4)
*USGAP1)
Instrument list: C USGAP1(-1 TO -6) USGAP1(-9) USGAP1(-12)
USINFL(-1 TO -6) USINFL(-9) USINFL(-12) USFF(-1) USFF(-6)
USFF(-9) USFF(-12) DLPCM(-1 TO -6) DLPCM(-9) DLPCM(-12)
Coefficient Std. Error t-Statistic Prob.
C(2) 0.929643 0.012593 73.82465 0.0000
C(1) 2.874855 0.991106 2.900652 0.0042
C(3) 1.730954 0.251894 6.871759 0.0000
C(4) 0.664998 0.100678 6.605183 0.0000
S.E. of regression 0.286868 Sum squared resid 13.74300
Durbin-Watson stat 1.065675 J-statistic 0.061171


El J-stat es 10.45 pues el valor calculado por EViews est dividido por el
tamao de la muestra, as J-stat = 10.45/171 = 0.06. Tenemos 25 grados de libertad
(29 instrumentos para 4 parmetros). Con este valor, no se puede rechazar la
hiptesis nula de validez de los instrumentos. Siguiendo el mtodo para derivar el nivel
de la inflacin objetivo (
*
) propuesto por Clarida, Gali y Gertler, este sera 0.5 con un
intervalo de confianza muy amplio.

1
*
r r

Siendo r r la tasa de inters real promedio de la muestra.
-1.2
-0.8
-0.4
0.0
0.4
0.8
2
4
6
8
10
12
83 84 85 86 87 88 89 90 91 92 93 94 95 96
Residual Actual Fitted

Como podemos observar en el grfico, la regla derivada y estimada cumple con
explicar el comportamiento de la FED. Adems, podemos calcular el correlograma de
los residuos para ver si estos estn autocorrelacionados.



Claramente, los residuos de la estimacin siguen un proceso AR(1). El
correlograma parcial lo confirma al registrar un coeficiente de 0.458 que es mayor a la
banda de confianza mostrada en el grfico. Dicha banda de confianza se construye de
la siguiente manera:
1
T .

Podemos modificar el mtodo de clculo de la matriz de ponderadores W . La
opcin Bandwith Seleccin permite la manera como elegir el orden de autocorrelacin
a corregirse. En el siguiente cuadro, observamos que elegimos un valor fijo igual a 12,
es decir, la matriz de ponderadores corregir toda autocorrelacin hasta de orden 12.
Las otras opciones como Andrews y Variable Newey West permiten corregir las
autocorrelaciones que se presentan en cada iteracin. Sin embargo, al ser un mtodo
de correccin ms potente consume ms recursos del programa.

La matriz de covarianzas de las restricciones o condiciones de ortogonalidad
de los instrumentos es estimado por la siguiente expresin:

( ) ( ) ( ) ( ) ( )
1
1 T
1 j
j '
q j, k 0
1
HAC

|
|
|
.
|
\
|
|
|
.
|
\
|
=
+ + =
=

Donde: ( )
|
|
.
|
\
|
=

+ =
t
T
j t
j t t j t
Z u u Z
k T
j
1
' '
1
es la matriz de autocovarianzas de orden j. Lo

que faltara especificar es el kernel k y el orden de autocorrelacin a ser corregida
(bandwidth). El kernel es usado para ponderar las covarianzas y conseguir que la
matriz
sea positiva semidefinida. La eleccin de Bartlett es la ms recomendada

pues no demanda muchos recursos en su estimacin.

El siguiente paso es verificar si existe el problema de variables omitidas en la
regla de poltica. Como vimos anteriormente, si existe tal problema, la condicin de
ortogonalidad no se cumplira y la prueba de validez de los instrumentos (prueba de
Hansen) no sera aceptada. En la literatura econmica sobre la regla de poltica
monetaria se da mucha importancia a las tasas de inters de largo plazo (bonos) como

determinante en la toma de decisiones de la FED. Dicha variable contiene informacin
sobre la formacin de expectativas inflacionarias de parte de los agentes.

El siguiente paso es re-estimar el modelo base e incluir el nivel de tasas de
inters de largo plazo en el conjunto de instrumentos (matriz Z).

Dependent Variable: USFF
srMethod: Generalized Method of Moments
No prewhitening
Bandwidth: Fixed (12)
Kernel: Bartlett
Convergence achieved after: 49 weight matricies, 50 total coef
iterations
USFF= C(2)*USFF(-1) +(1-C(2))*(C(1)+C(3)*USINFL(+12) +C(4)
*USGAP1)
Instrument list: C USGAP1(-1 TO -6) USGAP1(-9) USGAP1(-12)
USINFL(-1 TO -6) USINFL(-9) USINFL(-12) USFF(-1) USFF(-6)
USFF(-9) USFF(-12) DLPCM(-1 TO -6) DLPCM(-9) DLPCM(-12)
US10Y US10Y(-1)
Coefficient Std. Error t-Statistic Prob.
C(2) 0.949171 0.007868 120.6351 0.0000
C(1) 4.237480 1.101947 3.845447 0.0002
C(3) 1.487264 0.276588 5.377180 0.0000
C(4) 0.868331 0.116234 7.470531 0.0000
Durbin-Watson stat 1.172223 J-statistic 0.067136

El valor de J-stat es 11.45 = 0.067*171, con dicho valor no se rechaza la hiptesis de
nula de validez del conjunto de los instrumentos. Por lo tanto, podemos concluir que la
tasa de inters de largo plazo afecta el comportamiento de la FED como un indicador
lder de la inflacin futura pero no como una variable independiente de la poltica
monetaria.



Sesin 4
Anlisis multivariado de series de tiempo

Vectores Autoregresivos Estructurales

El anlisis de los Vectores Autoregresivos (VAR) es muy utilizado desde la
dcada de los noventas para evaluar las relaciones dinmicas macroeconmicas.
Dicho anlisis tiene la caracterstica de ser multivariado, es decir, se evala el
comportamiento de las series y su interrelacin en el periodo de tiempo analizado en
forma simultnea.

Sea
t
Y un vector de k dimensiones y asumamos que sigue un proceso
autoregresivo de orden 1.
t t t
Y A A Y + + =
1 1 0

Dicho proceso ser estable si los valores de z de la siguiente ecuacin son mayores a
uno en valor absoluto.
0
1
= z A I
k

De verificarse el caso, siendo el VAR un proceso estable entonces podemos invertir el
proceso y expresarlo como un VMA (vector de medias mviles) de orden infinito.

...
1 1 0
+ + + =
t t t
Y

Donde:
i
i
A
1
=

De este proceso VMA podemos extraer la funcin impulso-respuesta, la cual captura la
respuesta de alguna variable incluida en el vector
t
Y ante el shock de algn
componente de
t
.

i
t
i t
Y
+

Sin embargo, el vector
t
contiene shock no identificados, no es posible afirmar si el
primer componente corresponde exclusivamente a la primera variable del vector
t
Y . A
fin de lograr identificar los shocks estructurales es necesario incluir restricciones en los
parmetros. sta es la razn de utilizar VAR estructural en este tipo de evaluacin de
las relaciones dinmicas entre variables macroeconmicas.

Modelo AB (Corto Plazo)

El modelo VAR podemos reescribirlo incluyendo las matrices de restricciones.

( )
t t t k
Bu A Y L A I A = =
1


Donde:
( ) , 0 ~ N
t
y | |
k s t
E 0
|
= para todo t s

( )
k t
I N u , 0 ~ y | |
k s t
u u E 0
|
= para todo t s

Para poder identificar los shocks estructurales es necesario estimar las matrices A y B
una vez obtenidas dichas matrices el vector de error del VAR puede expresarse en
trminos de los shocks estructurales de la siguiente manera:

t t
u B A

1
=

Una vez identificados los errores podemos calcular la nueva funcin impulso-respuesta
que vincula los shocks estructurales con las variables dependientes.

Aplicacin
7
: abrir workfile blanch_perotti.wf1 y el programa bp.prg

Blanchard y Perotti evalan el impacto de cambios en el gasto pblico y en los
ingresos del Gobierno sobre el nivel de produccin. Antes de mostrar las restricciones
de largo plazo considerados en el documento de trabajo estimemos el VAR con los
residuos no identificados.

Vector Autoregression Estimates
Standard errors in ( ) & t-statistics in [ ]
TT GG XX
TT(-1) 0.905903 -0.007683 0.008364
(0.08099) (0.03222) (0.02761)
[ 11.1855] [-0.23845] [ 0.30296]

TT(-2) 0.007161 -0.020966 -0.015489
(0.07343) (0.02921) (0.02503)
[ 0.09752] [-0.71769] [-0.61875]

TT(-3) -0.020112 0.013493 -0.044622
(0.06696) (0.02664) (0.02283)
[-0.30036] [ 0.50650] [-1.95484]

TT(-4) -0.021351 -0.002277 0.015042
(0.05734) (0.02281) (0.01955)
[-0.37238] [-0.09981] [ 0.76957]

GG(-1) 0.242101 1.093169 -0.062955
(0.22678) (0.09022) (0.07731)
[ 1.06756] [ 12.1163] [-0.81431]

GG(-2) -0.658010 -0.185527 0.055999
(0.33936) (0.13501) (0.11569)
[-1.93900] [-1.37418] [ 0.48406]

GG(-3) 0.490165 0.235710 -0.043960
(0.33600) (0.13367) (0.11454)
[ 1.45884] [ 1.76333] [-0.38379]

7
Como referencia de la aplicacin puede revisarse: Blanchard y Perotti (1999): An empirical
characterization of the dynamic effects of changes in government spending and taxes on output. Working
paper 7269. NBER. Julio 1999.


GG(-4) -0.073232 -0.210589 0.079361
(0.22105) (0.08794) (0.07536)
[-0.33129] [-2.39464] [ 1.05314]

XX(-1) 0.682109 0.079015 1.154420
(0.27762) (0.11045) (0.09464)
[ 2.45700] [ 0.71541] [ 12.1979]

XX(-2) 0.051769 -0.022188 -0.083399
(0.40497) (0.16111) (0.13805)
[ 0.12784] [-0.13772] [-0.60410]

XX(-3) -0.287142 -0.027750 0.026153
(0.40038) (0.15929) (0.13649)
[-0.71717] [-0.17421] [ 0.19161]

XX(-4) -0.301573 0.067840 -0.090232
(0.28091) (0.11176) (0.09576)
[-1.07356] [ 0.60703] [-0.94224]

@TREND -0.000760 -0.000195 -0.000311
(0.00037) (0.00015) (0.00013)
[-2.05475] [-1.32591] [-2.46899]

(@TREND)^2 1.48E-06 -9.64E-08 8.86E-07
(1.3E-06) (5.2E-07) (4.4E-07)
[ 1.13542] [-0.18630] [ 1.99671]

S2 -0.001149 0.000740 -0.002241
(0.00616) (0.00245) (0.00210)
[-0.18641] [ 0.30190] [-1.06692]

S3 -0.013362 -0.003290 -0.003724
(0.00615) (0.00245) (0.00210)
[-2.17228] [-1.34426] [-1.77613]

S4 -0.003448 -0.001238 -0.003772
(0.00604) (0.00240) (0.00206)
[-0.57038] [-0.51498] [-1.83030]

DUM752 -0.312538 -0.007777 0.008229
(0.02682) (0.01067) (0.00914)
[-11.6540] [-0.72886] [ 0.90013]

DUM753 0.238582 -0.003792 0.015580
(0.03793) (0.01509) (0.01293)
[ 6.29044] [-0.25129] [ 1.20494]
R-squared 0.975656 0.997205 0.998716
Adj. R-squared 0.972259 0.996815 0.998537
Sum sq. resids 0.083068 0.013148 0.009654
S.E. equation 0.025376 0.010096 0.008651
F-statistic 287.2245 2557.187 5573.597
Log likelihood 343.9101 480.3223 503.1810
Akaike AIC -4.390678 -6.234085 -6.542986
Schwarz SC -4.005900 -5.849308 -6.158209
Mean dependent -10.18118 -9.985406 -8.422381
S.D. dependent 0.152357 0.178895 0.226140
Determinant Residual Covariance 3.99E-12
Log Likelihood (d.f. adjusted) 1312.318
Akaike Information Criteria -16.96375
Schwarz Criteria -15.80942


En el documento Blanchard y Perotti utiliza un modelo VAR(4), es decir, el vector de
variables
t
Y depende sus cuatro primeros rezagos. La eleccin de este nmero de
rezagos no es mencionada explcitamente en el documento. Sin embargo, si hacemos
la prueba de eleccin del orden de rezagos ptimos vemos que el nmero de rezagos
a ser utilizados es 2 y no 4. Por tanto, el modelo presentado por Blanchard est sobre
parametrizado con el alto costo de reducir los grados de libertad de la estimacin.

VAR Lag Order Selection Criteria
Endogenous variables: TT GG XX
Exogenous variables: @TREND (@TREND)^2 S2 S3 S4 DUM752 DUM753
Date: 08/04/05 Time: 03:34
Sample: 1960:1 1997:4
Lag LogL LR FPE AIC SC HQ
0 323.5128 NA 3.37E-06 -4.088011 -3.662731 -3.915221
1 1313.836 1846.819 5.86E-12 -17.34914 -16.74160* -17.10230*
2 1326.306 22.74831* 5.60E-12* -17.39602 -16.60622 -17.07513
3 1335.383 16.19261 5.60E-12 -17.39707* -16.42500 -17.00212
4 1342.821 12.96485 5.73E-12 -17.37595 -16.22162 -16.90695
* indicates lag order selected by the criterion
LR: sequential modified LR test statistic (each test at 5% level)
FPE: Final prediction error
AIC: Akaike information criterion
SC: Schwarz information criterion
HQ: Hannan-Quinn information criterion

Para mostrar que el modelo est bien especificado los residuos de la estimacin no
deberan estar autocorrelacionados. Para esto utilizamos la prueba Ljung-Box-Q
multivariado o la prueba de autocorrelacin de Portmanteau. Como podemos observar
para el orden de autocorrelacin 5 la prueba Portmanteau rechaza la hiptesis nula de
no autocorrelacin. Por tanto, la especificacin del modelo debera ser mejorada para
capturar esa persistencia que se observa en los residuos.

VAR Residual Portmanteau Tests for Autocorrelations
H0: no residual autocorrelations up to lag h
Sample: 1960:1 1997:4
Lags Q-Stat Prob. Adj Q-Stat Prob. df
1 0.232336 NA* 0.233916 NA* NA*
2 2.084921 NA* 2.111880 NA* NA*
3 7.848071 NA* 7.994267 NA* NA*
4 17.24343 NA* 17.65060 NA* NA*
5 35.01541 0.0001 36.04399 0.0000 9
6 50.96076 0.0001 52.66308 0.0000 18
7 61.68671 0.0002 63.92153 0.0001 27
*The test is valid only for lags larger than the VAR lag order.
df is degrees of freedom for (approximate) chi-square distribution

El siguiente paso es incorporar las restricciones entre shocks del VAR
t
y los shocks
estructurales
t
u , de acuerdo al documento de trabajo dichas relaciones pueden
expresarse de la siguiente manera:


t
t
g
t
x
t
t
t
u d u a a
1 2 1
+ + =

g
t
t
t
x
t
g
t
u d u b b
2 2 1
+ + =

x
t
g
t
t
t
x
t
u d c c
3 2 1
+ + =

Como primer paso de la investigacin se asume que no existe reaccin en el gasto
pblico ante movimientos en el producto, por tanto, b
1
=0. En el caso del parmetro a1,
ste es considerado como la elasticidad producto ingresos tributarios, dicha
elasticidad fue estimada y toma el valor de 2.08. Luego se cuestiona la forma de
estimar las correlaciones entre
t
t
y
g
t
. Cuando se incrementan los ingresos y los
gastos del gobierno al mismo tiempo, son los impuestos los que responden al
incremento del gasto o al revs? Por ello, se crean dos escenarios uno en el cual b
2
=0
y a
2
0 y el otro a
2
=0 y b
2
0.

Tenemos dos formas para incluir estas restricciones en el objeto VAR del EViews. La
primera es la ms simple y es expresar las restricciones tal cual se presentan en el
documento de trabajo y que podemos observar en el siguiente cuadro:



Structural VAR Estimates
Estimation method: method of scoring (analytic derivatives)
Convergence achieved after 91 iterations
Structural VAR is just-identified
Model: Ae = Bu where E[uu']=I
Restriction Type: short-run text form
@E1=2.08*@E3+C(4)*@U1+C(1)*@U2
@E2=C(5)*@U2
@E3=C(2)*@E1+C(3)*@E2+C(6)*@U3
where
@e1 represents TT residuals
@e2 represents GG residuals
@e3 represents XX residuals
Coefficient Std. Error z-Statistic Prob.
C(2) -0.155907 0.042003 -3.711787 0.0002
C(3) 0.318559 0.082645 3.854538 0.0001
C(1) -0.003077 0.002149 -1.431504 0.1523
C(4) 0.026056 0.001514 17.20465 0.0000
C(5) 0.010096 0.000587 17.20465 0.0000
C(6) 0.010054 0.000884 11.37334 0.0000
Log likelihood 1312.318
Estimated A matrix:
1.000000 0.000000 -2.080000
0.000000 1.000000 0.000000
0.155907 -0.318559 1.000000
Estimated B matrix:
0.026056 -0.003077 0.000000
0.000000 0.010096 0.000000
0.000000 0.000000 0.010054

La segunda forma es crear las matrices A y B que de acuerdo a las restricciones
derivadas anteriormente las matrices tienen la siguiente forma:

(
(
(
(
(
(
=
(
(
(
(
(
(
x
t
g
t
t
t
x
t
g
t
t
t
u
u
u
d
d
a d
c c ) 3 ( 0 0
0 ) 2 ( 0
0 ) 2 ( ) 1 (
1 ) 2 ( ) 1 (
0 1 0
08 . 2 0 1

Funciones Impulso - Respuesta

La opcin se encuentra en el men del objeto VAR impulse. Nos presenta el
siguiente cuadro de dialogo en el cual debemos especificar si queremos la funcin
impulso respuesta como tabla o grfico. Luego, indicaremos que necesitamos las
respuestas de tt, gg, xx ante shocks estructurales en el gasto.



Efectos dinmicos del gasto del gobierno

-.008
-.004
. 000
. 004
. 008
. 012
. 016
2 4 6 8 10 12 14 16 18 20
Response of TT to Shock2
. 000
. 004
. 008
. 012
. 016
2 4 6 8 10 12 14 16 18 20
Response of GG to Shock2
-.004
-.002
. 000
. 002
. 004
. 006
. 008
. 010
2 4 6 8 10 12 14 16 18 20
Response of XX to Shock2
Response to Structural One S.D. Innovations 2 S.E.

Efectos dinmicos de los ingresos tributarios

-.02
-.01
.00
.01
.02
.03
2 4 6 8 10 12 14 16 18 20
Response of TT to Shock1
-.016
-.012
-.008
-.004
.000
.004
2 4 6 8 10 12 14 16 18 20
Response of GG to Shock1
-.014
-.012
-.010
-.008
-.006
-.004
-.002
.000
2 4 6 8 10 12 14 16 18 20
Response of XX to Shock1
Response to Structural One S.D. Innovations 2 S.E.

Las principales conclusiones son las siguientes:

Los shock del gasto son ms grandes que los shock de los ingresos
tributarios.
El PIB inicialmente se incrementa ante el impacto del gasto del gobierno, luego
tiende a reducirse para tomar un nuevo impulso y llegar a su efecto mximo
despus de 4 aos.

Los impuestos tambin responden positivamente antes un shock en el gasto,
al igual que el PIB (ambas funciones se parecen).

Descomposicin de la varianza

Con esta opcin podemos observar el impacto de los shocks estructurales en la
varianza de las variables dependientes. Observando el siguiente grfico podemos
esbozar algunas ideas:

La variabilidad de los ingresos tributarios es explicada inicialmente por sus
propios shocks, pero no transcurre ni ao y medio y el shock del PIB tiene una
amplia participacin en la varianza de los ingresos tributarios.

En cuanto a la varianza del gasto pblico, sta no se ve afectada por los otros
shocks. Confirmando el carcter de variable exgena en la muestra.

La varianza del PIB slo se ve afectada por los shocks en la recaudacin hasta
llegar a una participacin del 40% en un horizonte de 10 trimestres.

0
10
20
30
40
50
60
70
80
1 2 3 4 5 6 7 8 9 10
Percent TT variance due to Shock1
0
10
20
30
40
50
60
70
80
1 2 3 4 5 6 7 8 9 10
0
10
20
30
40
50
60
70
80
1 2 3 4 5 6 7 8 9 10
0
20
40
60
80
100
1 2 3 4 5 6 7 8 9 10
Percent GG variance due to Shock1
0
20
40
60
80
100
1 2 3 4 5 6 7 8 9 10
0
20
40
60
80
100
1 2 3 4 5 6 7 8 9 10
0
10
20
30
40
50
60
70
80
90
1 2 3 4 5 6 7 8 9 10
Percent XX variance due to Shock1
0
10
20
30
40
50
60
70
80
90
1 2 3 4 5 6 7 8 9 10
0
10
20
30
40
50
60
70
80
90
1 2 3 4 5 6 7 8 9 10
Variance Decomposition



Sesin 5
Anlisis multivariado de series de tiempo no
estacionarias

Cointegracin

Ejemplo tomado de Johansen, S (1996)
8
. El objetivo es estimar una relacin
entre dinero, ingresos y tasas de inters. El workfile johansen.wk1 contiene datos
trimestrales para el periodo 1974:1 a 1987:3.

lrm: logaritmo del dinero en trminos reales (M2)
lry: logaritmos del ingreso en trminos reales
Ide: tasa de inters de corto plazo (depsitos bancarios)
Ibo: tasa de inters de largo plazo (bonos)

Observemos las 4 series en niveles y diferencias, aparentemente se tratan de
series no estacionarias pero integradas de orden 1, es decir, series con diferencia
estacionaria. Para verificar esta hiptesis de trabajo, utilicemos las pruebas de raz
unitaria univariada.

Null Hypothesis: LRY has a unit root
Exogenous: Constant
Adj. t-Stat Prob.*

Phillips-Perron test statistic -1.209594 0.6640
5% level -2.916566
10% level -2.596116


Null Hypothesis: D(LRY) has a unit root
Exogenous: None
Adj. t-Stat Prob.*
Phillips-Perron test statistic -6.028330 0.0000
5% level -1.947119
10% level -1.612867

Null Hypothesis: LRM is stationary
LM-Stat.
5% level 0.146000

8
Johansen, Soren (1996) Likelihood based inference in cointegrated vector autoregressive models.
Oxford University Press.

10% level 0.119000

Null Hypothesis: D(LRM) is stationary
Exogenous: Constant
LM-Stat.
5% level 0.463000
10% level 0.347000

Null Hypothesis: IDE has a unit root
Exogenous: None
Adj. t-Stat Prob.*
Phillips-Perron test statistic
5% level -1.946996
10% level -1.612934

Null Hypothesis: D(IDE) has a unit root
Exogenous: None
Adj. t-Stat Prob.*
Phillips-Perron test statistic
5% level -1.947119
10% level -1.612867

Como observamos las series presentan diferencia estacionaria (integradas de
orden 1). Luego para estimar el VAR elijamos el nmero de rezagos ptimos
incluyendo las variables dummies estacionales. Como vemos, 3 de 5 criterios de
eleccin nos indican que el VAR con 2 rezagos es el que mejor captura la dinmica
entre las variables. El criterio LR, el ms robusto, tambin indica el mismo nmero de
rezagos.

VAR Lag Order Selection Criteria
Endogenous variables: LRM LRY IBO IDE
Exogenous variables: C D1 D2 D3
Date: 08/02/05 Time: 12:14
Sample: 1974:1 1987:3
Lag LogL LR FPE AIC SC HQ
0 439.7089 NA 7.15E-13 -16.61604 -16.00997 -16.38444
1 634.9467 329.2245 6.39E-16 -23.64497 -22.43284* -23.18178*
2 654.9724 30.62755* 5.60E-16* -23.80284* -21.98465 -23.10806
3 667.0563 16.58575 6.88E-16 -23.64927 -21.22502 -22.72289
4 679.6257 15.28041 8.61E-16 -23.51473 -20.48442 -22.35676
* indicates lag order selected by the criterion
LR: sequential modified LR test statistic (each test at 5% level)
FPE: Final prediction error
AIC: Akaike information criterion
SC: Schwarz information criterion
HQ: Hannan-Quinn information criterion


El siguiente paso es estimar el modelo de correccin del error (VEC). Como lo
determinamos el nmero de rezagos para el VAR (en niveles) es 2, por lo tanto, el
nmero de rezagos a incluirse en el VEC (var en diferencias + ec. cointegracin) es 1.

Vector Error Correction Estimates
Date:
Standard errors in ( ) & t-statistics in [ ]
Cointegrating Eq: CointEq1
LRM(-1) 1.000000

LRY(-1) -1.945142
(0.06519)
[-29.8390]

IBO(-1) 14.17273
(3.42218)
[ 4.14143]

IDE(-1) -27.31275
(7.32952)
[-3.72641]
Error Correction: D(LRM) D(LRY) D(IBO) D(IDE)
CointEq1 -0.021907 0.022747 0.006187 0.009607
(0.01528) (0.01476) (0.00552) (0.00358)
[-1.43336] [ 1.54111] [ 1.12059] [ 2.68124]

D(LRM(-1)) 0.394412 0.562321 0.053738 0.061705
(0.16660) (0.16089) (0.06019) (0.03906)
[ 2.36737] [ 3.49498] [ 0.89283] [ 1.57983]

D(LRY(-1)) -0.114377 -0.174966 0.135397 0.003966
(0.15744) (0.15204) (0.05688) (0.03691)
[-0.72648] [-1.15076] [ 2.38047] [ 0.10744]

D(IBO(-1)) -0.483031 -0.178269 0.314650 0.249593
(0.42240) (0.40792) (0.15260) (0.09902)
[-1.14355] [-0.43702] [ 2.06194] [ 2.52052]

D(IDE(-1)) -0.558433 -0.089524 0.245100 0.289172
(0.61353) (0.59251) (0.22165) (0.14383)
[-0.91019] [-0.15109] [ 1.10578] [ 2.01046]

D1 -0.066067 -0.023250 0.000178 -0.004252
(0.01075) (0.01038) (0.00388) (0.00252)
[-6.14516] [-2.23932] [ 0.04592] [-1.68692]

D2 -0.012047 0.006856 0.007616 -0.000974
(0.00992) (0.00958) (0.00358) (0.00233)
[-1.21471] [ 0.71582] [ 2.12565] [-0.41884]

D3 -0.042893 -0.011955 0.004858 -0.002586
(0.00954) (0.00921) (0.00345) (0.00224)
[-4.49693] [-1.29782] [ 1.40982] [-1.15653]
R-squared 0.572703 0.315186 0.364638 0.459498
Adj. R-squared 0.506234 0.208659 0.265804 0.375420
Sum sq. resids 0.024323 0.022684 0.003175 0.001337
S.E. equation 0.023249 0.022452 0.008399 0.005450
F-statistic 8.616150 2.958752 3.689396 5.465127
Log likelihood 128.4920 130.3402 182.4528 205.3725

Akaike AIC -4.546869 -4.616611 -6.583125 -7.448020
Schwarz SC -4.249466 -4.319209 -6.285722 -7.150617
Mean dependent 0.007757 0.003340 -0.001114 -0.000384
S.D. dependent 0.033086 0.025239 0.009802 0.006897
Determinant Residual Covariance 3.18E-16
Log Likelihood 662.1482
Log Likelihood (d.f. adjusted) 644.8035
Akaike Information Criteria -22.97372
Schwarz Criteria -21.63540

Para mostrar que el modelo est bien especificado, primero, debemos mostrar
que los errores son homocedsticos y no estn autocorrelacionados. Por ltimo
mostraremos que un modelo VEC con 2 rezagos no aade informacin relevante al
modelo, y que el modelo actual est bien especificado.

En la opcin view del men del objeto VAR, tenemos el campo residual test

Como observamos en el siguiente cuadro de resultados, se acepta la hiptesis
nula de no autocorrelacin de los residuos. Adems, nos indica que la prueba es slo
vlida para rezagos mayores al VAR. La pregunta que surge es porqu slo se estima
con rezago 2 y no con 1. Recuerda que al estimar el VAR implcitamente estamos
usando las variables en niveles y cuando estimamos el VEC es un VAR pero en
diferencias, por lo tanto, los errores del VEC son las primeras diferencias de los
errores del VAR y por construccin presentan autocorrelacin de primer orden.

VEC Residual Portmanteau Tests for Autocorrelations
H0: no residual autocorrelations up to lag h
Date: 08/02/05 Time: 12:47
Sample: 1974:1 1987:3
Lags Q-Stat Prob. Adj Q-Stat Prob. df
1 8.332612 NA* 8.492855 NA* NA*
2 16.79291 0.3991 17.28493 0.3674 16
*The test is valid only for lags larger than the VAR lag order.
df is degrees of freedom for (approximate) chi-square distribution



En la misma opcin encontramos la prueba de heterocedasticidad de White,
slo que esta vez se trata del caso multivariado. La lectura de la prueba es similar al
visto previamente en la sesin 1. No existe evidencia para rechazar la hiptesis nula
de homocedasticidad.

VEC Residual Heteroskedasticity Tests: No Cross Terms (only levels and squares)
Date: 08/02/05 Time: 13:23
Sample: 1974Q1 1987Q3
Joint test:
Chi-sq df Prob.
142.7201 130 0.2103

Luego, analizaremos est relacin de dinero, ingresos y tasas de inters pero
usando el modelo ( ) r H
*
1
, en el cual se asume que las series no tienen tendencia
determinstica, esto significa que el trmino constante del VEC debera ser restringido
a cero e incluir en la ecuacin de cointegracin una constante (para ello aadimos el
vector de unos en la matriz de datos).

( ) ( )
0 1 1
*
1
' + = + =
t t t
y Bx y r H

En primer lugar, realicemos la prueba de cointegracin de Johansen. Para
acceder a tal prueba elegimos la opcin en el objeto VAR: view/cointegration test



Trend assumption: No deterministic trend (restricted constant)
Series: LRM LRY IBO IDE
Exogenous series: D1 D2 D3
Warning: Critical values assume no exogenous series
Lags interval (in first differences): 1 to 1

Unrestricted Cointegration Rank Test (Trace)
Hypothesized Trace 0.05
No. of CE(s) Eigenvalue Statistic Critical Value Prob.**
None 0.433165 49.14436 54.07904 0.1282
At most 1 0.177584 19.05691 35.19275 0.7836
At most 2 0.112791 8.694964 20.26184 0.7644
At most 3 0.043411 2.352233 9.164546 0.7071
Trace test indicates no cointegration at the 0.05 level
* denotes rejection of the hypothesis at the 0.05 level
**MacKinnon-Haug-Michelis (1999) p-values

Unrestricted Cointegration Rank Test (Maximum Eigenvalue)
Hypothesized Max-Eigen 0.05
No. of CE(s) Eigenvalue Statistic Critical Value Prob.**
None * 0.433165 30.08745 28.58808 0.0319
At most 1 0.177584 10.36195 22.29962 0.8059
At most 2 0.112791 6.342731 15.89210 0.7486
At most 3 0.043411 2.352233 9.164546 0.7071
Max-eigenvalue test indicates 1 cointegrating eqn(s) at the 0.05 level
* denotes rejection of the hypothesis at the 0.05 level
**MacKinnon-Haug-Michelis (1999) p-values

Unrestricted Cointegrating Coefficients (normalized by b'*S11*b=I):
LRM LRY IBO IDE C
-21.97409 22.69811 -114.4173 92.64010 133.1615
14.65598 -20.05089 3.561148 100.2632 -62.59345
7.946552 -25.64080 4.277513 -44.87727 62.74888
1.024493 -1.929761 24.99712 -14.64825 -2.318655

Unrestricted Adjustment Coefficients (alpha):

D(LRM) 0.009691 -0.000329 0.004406 0.001980
D(LRY) -0.005234 0.001348 0.006284 0.001082
D(IBO) -0.001055 -0.000723 0.000438 -0.001536
D(IDE) -0.001338 -0.002063 -0.000354 -4.65E-05

1 Cointegrating Equation(s): Log likelihood 669.1154
Normalized cointegrating coefficients (standard error in parentheses)
LRM LRY IBO IDE C
1.000000 -1.032949 5.206919 -4.215880 -6.059932
(0.13897) (0.55060) (1.09082) (0.86239)

Adjustment coefficients (standard error in parentheses)
D(LRM) -0.212955
(0.06435)
D(LRY) 0.115022
(0.06739)
D(IBO) 0.023177
(0.02547)
D(IDE) 0.029411
(0.01717)

Podemos observar que de acuerdo a la prueba maximum eigenvalue existe
slo un vector de cointegracin al rechazar la hiptesis nula de la no existencia de
vectores de cointegracin con una probabilidad de 0.03 y no poder rechazar la
hiptesis nula de la existencia de un solo vector de cointegracin con una probabilidad
de 0.80.

El vector de cointegracin est normalizado por defecto en la primera variable
del vector
1 t
y .

| | 06 . 6 , 22 . 4 , 21 . 5 , 03 . 1 , 00 . 1 '
*
=

Este vector permite medir la demanda de dinero (relacin de equilibrio en el
largo plazo) que es parte del mecanismo de correccin del error de la evolucin en el
corto plazo de las variables analizadas.

Una vez que confirmamos la existencia de por lo menos un vector de
cointegracin, procedemos a estimar el VEC. En la opcin estimate del objeto VAR
podemos especificar el modelo requerido ( ) r H
*
1
.



Con la opcin view/cointegration graph podemos observar la relacin de
cointegracin entre el dinero y los determinantes de su demanda en el largo plazo.
-.20
-.15
-.10
-.05
.00
.05
.10
.15
74 75 76 77 78 79 80 81 82 83 84 85 86 87
COINTEQ01

Continuando con el ejemplo de aplicacin de Johansen (1995), realizamos la
prueba de exogeneidad dbil. La primera prueba es que los coeficientes de largo plazo
del dinero y del ingreso son iguales pero con el signo puesto.

2 1 0
: = H

Para incluir las restricciones basta ir a la opcin estimate/vec restrictions y
especificar el elemento de la matriz B que contiene los posibles vectores de
cointegracin.



Restrictions:
B(1,1) + B(1,2) = 0

Tests of cointegration restrictions:
Hypothesized Restricted LR egrees of
No. Of CE(s) Log-likehood Statistic Freedom Probability
1 669.0938 0.043171 1 0.835404
2 674.2964 NA NA NA
3 677.4677 NA NA NA
NA indicates restriction not binding.

1 Cointegrating Equation(s): Convergence achieved after 7 iterations.
Restricted cointegrating coefficients (not all coefficients are identified)
LRM LRY IBO IDE C
-21.53286 21.53286 -114.1333 92.38458 134.8917

D(LRM) 0.009845
(0.00292)
D(LRY) -0.004993
(0.00308)
D(IBO) -0.001051
(0.00116)
D(IDE) -0.001379
(0.00078)

La prueba es el ratio de verosimilitud, que compara el modelo VEC sin
restricciones y el modelo VEC con la restriccin incluida, es la siguiente:

( ) | | ( )
( )
( )
( ) . # * ~
1
1
ln | ln 2
2
1
*
0
restric r T r H H Q LR
r
i
i
i

= )
`
= =

Donde
0
H es el modelo con restricciones y r es el nmero de vectores de
cointegracin.

El resultado es que no existe evidencia para rechazar la hiptesis nula (modelo
con restriccin) pues la probabilidad de equivocarse y rechazar la restriccin es 0.83.


La segunda hiptesis de trabajo es que los coeficientes de la tasa de inters de
corto plazo y de corto plazo son iguales pero con el signo opuesto. Esta hiptesis
implica que el costo de la tenencia de dinero puede ser medido como la diferencia
entre el rendimiento del bono y el rendimiento de mantener dinero en un depsito
bancario. Ahora la hiptesis nula ser:
4 3
2 1 0
:

=
= H

Si queremos obtener el vector normalizado, entonces incluiremos una restriccin
adicional ( 1
1
= ).

Restrictions:
B(1,1) + B(1,2) = 0
B(1,3) + B(1,4) = 0
B(1,1) = 1.0

Hypothesized Restricted LR Degrees of
No. of CE(s) Log-likehood Statistic Freedom Probability
1 668.6510 0.928790 2 0.628515
2 670.3442 * * *
3 675.4732 NA NA NA
* indicates convergence not achieved.

Restricted cointegrating coefficients (standard error in parentheses)
LRM LRY IBO IDE C
1.000000 -1.000000 5.883815 -5.883815 -6.213670
(0.00000) (0.00000) (0.52343) (0.52343) (0.03766)

D(LRM) -0.177303
(0.05589)
D(LRY) 0.094523
(0.05823)
D(IBO) 0.022819
(0.02188)
D(IDE) 0.032339
(0.01448)

Nuevamente, no existe evidencia suficiente para rechazar la hiptesis nula
pues la probabilidad de equivocarse y rechazarla es muy alta (0.63).


Por ltimo, queremos probar que las velocidades de ajuste correspondientes a
la tercera y cuarta ecuacin son iguales a cero. Con esta restriccin queremos probar
la exogeneidad dbil de las dos tasas de inters. Para llevar a cabo esta restriccin
aadimos una restriccin adicional: 0
4 3
= = .

Restrictions:
B(1,1) + B(1,2) = 0
B(1,3) + B(1,4) = 0
B(1,1) = 1.0
A(3,1) = 0
A(4,1) = 0

Hypothesized Restricted LR Degrees of
No. of CE(s) Log-likehood Statistic Freedom Probability
1 665.7437 6.743448 4 0.150083
2 669.2337 * * *
3 675.4731 NA NA NA
* indicates convergence not achieved.

Restricted cointegrating coefficients (standard error in parentheses)
LRM LRY IBO IDE C
1.000000 -1.000000 5.810577 -5.810577 -6.207373
(0.00000) (0.00000) (0.56003) (0.56003) (0.04029)

D(LRM) -0.136960
(0.05101)
D(LRY) 0.133470
(0.05704)
D(IBO) 0.000000
(0.00000)
D(IDE) 0.000000
(0.00000)

Nuevamente, el ratio de verosimilitud nos indica que la probabilidad de equivocarnos y
rechazar la hiptesis nula es 0.15, valor alto si trabajamos con un nivel de significancia
de 95%. Sin embargo, recordemos que estamos comparando un modelo VEC con
restricciones con un modelo VEC sin restricciones, esa probabilidad de 0.15 est
considerando las restricciones sobre el vector de cointegracin que fueron vlidas. La

hiptesis que queremos contrastar no es esa, sino es verificar si la restriccin sobre
los parmetros de ajuste son vlidas o no. Para ello, comparamos el modelo anterior
con el que incluye las restricciones sobre los parmetros de ajuste.

Weak exogeneity test (a3=a4=0) conditional on b1+b2=b3+b4=0
LR statistic = 5.814657 p-value = 0.054621

La probabilidad de esta prueba es 0.05, es que una probabilidad aceptable para
trabajar y con ello rechazar la hiptesis de trabajo: la exogeneidad dbil de las tasas
de inters con relacin a la dinmica de largo plazo (ecuacin de cointegracin).


Sesin 6

Modelos de Espacio de Estado

El sistema de ecuaciones considerado en el programa EViews es el siguiente:

t t t t t
Z c y + + =

t t t t t
T d + + =
+1

Donde:

t
y es un vector n x 1 que representa la variable dependiente u observada.
t
es un vector m x1 de variables de estado (no observadas), se asume que se
comportan como un VAR(1).
t
c es un vector n x 1 que representa variables observadas exgenas
t
Z es una matriz n x m que representa los coeficientes asociados a las variables de
estado
t
d es un vector m x 1 que contiene variables observadas exgenas (puede
considerarse la constante)
t
T es una matriz m x m que contiene los coeficientes asociados a las variables de
estado rezagadas.
t
y
t
son perturbaciones gausianas, serialmente independientes y con una
estructura de varianza como la siguiente:

(
=
(
=
t t
t t
t
t
t
Q G
G H
|
var

Donde
t
H es una matriz de varianzas simtrica n x n,
t
Q es una matriz de varianza
simtrica m x m y
t
G es una matriz de covarianzas n x m.

Filtro de Kalman

Definimos la media y varianza de las variables no observadas
t
segn la distribucin
condicional al conjunto de informacin al periodo s:

) (
| t s s t
E a =
( )( ) | |
|
| | | s t t s t t s s t
a a E P =


Un caso especial es si el subndice que seala el tiempo es 1 =t s , de esta forma
1 | t t
a es la media condicional un periodo hacia delante (one step ahead mean). Ahora
podemos definir el estimado un periodo hacia delante de la variable observada
t
y :

( )
1 | 1 | 1 |
|

+ = = =
t t t t t t t t t t t
a Z c a y E y y

Y el error de prediccin un periodo hacia delante es:

1 | 1 |

= =
t t t t t
y y

El filtro de Kalman es un algoritmo recursivo que consiste en la estimacin secuencial
de las variables involucradas. Para esto es necesario contar con valores iniciales de la
media y varianza de las variables de estado, los valores de las matrices y de la
variable dependiente
t
y con esta informacin es posible estimar el valor un periodo
hacia delante de la media y varianza de la variable de estado (
1 | t t
a ,
1 | t t
P ), tambin la
media y varianza filtrada de la variable de estado y la prediccin un periodo hacia
delante de la variable dependiente, del error de prediccin y la varianza de prediccin
(
1 | 1 | 1 |
, ,
t t t t t t
F y ).

Suavizamiento de intervalo fijo

La diferencia con el anterior enfoque es que ahora utilizamos toda la informacin
disponible para un periodo fijo T. El objetivo es usar toda la informacin disponible
hasta el periodo T para formar la expectacin de las variables involucradas para
cualquier tiempo dentro del periodo T.

Con este mtodo es posible obtener el estimado suavizado de la variable de estado
(smoothed estimates of the states), ) (
~
| t T T t t
E a = = , el estimado suavizado de la
varianza de estado, ) ( var
t T t
V = . Con estos estimados tambin se pueden construir
los estimados suavizados de la variable dependiente y su respectiva varianza
suavizada.

( )
t t t t t
Z c y E y
~ ~
|
~
+ = =
( )
|
|
~
t t t T t T
Z V Z y Var S = =

Condiciones iniciales

Para llevar a cabo la estimacin recursiva (filtro de Kalman), el suavizamiento de las
variables y las proyecciones de estas es necesario contar con los valores un periodo
hacia delante de la variable de estado
0 | 1
y su respectiva matriz de varianza
0 | 1
P . Si
el modelo utilizado es estacionario entonces podemos utilizar sin problemas los
valores iniciales comentados. En otro caso, es preferible estimar los valores de la
variable de estado con alguna medida de incertidumbre.



El objeto SSPACE

Para crear el objeto Sspace seleccionamos Objetc/New Object / Sspace.

Existen dos formas para crear el sistema de ecuaciones, una es ingresar el modelo de
manera explcita y la otra es utilizar la opcin auto-specification para facilitar al
usuario la creacin del modelo.

Antes de mostrar la aplicacin de la opcin auto-specification es til mostrar la
sintaxis empleada en el objeto Sspace. La ventaja de esto es poder modificar y
mejorar la especificacin del sistema de ecuaciones a estimar.

Ecuaciones de Estado (@state)

Al especificar estas ecuaciones, el investigador debe considerar los siguientes
comentarios:

Cada ecuacin debe tener una sola variable dependiente.


La ecuacin de estado no puede tener una variable dependiente de la
ecuacin de observacin (@signal) as sean rezagos o adelantos de la
misma.

Cada ecuacin de estado debe ser lineal respecto a su primer rezago. En
el caso de tener mas de un rezago en la expresin original sta pueden
escribirse como nuevas ecuaciones de estado.

La ecuacin de estado puede contener variables exgenas y coeficientes
desconocidos, y pueden ser no lineales.

Ejemplo:

@state sv1 = c(2)*sv1(-1) + c(3)*sv2(-1) + [var = exp(c(5))]

@state sv2 = sv1(-1)

Se trata de un proceso AR(2) no observado. Como vemos no se agrega directamente
el segundo rezago de la variable de estado (sv1), la solucin es agregar una segunda
variable de estado que corresponde al segundo rezago.

@state sv1 = c(1) + sv1(-1) + [var = exp(c(3))]

En este caso se trata de un proceso random walk with drift no observado. Sin embargo
las siguientes expresiones no son validadas, no cumplen con las condiciones
comentadas anteriormente.

@state exp(sv1) = sv1(-1) + [var = exp(c(3))]
@state sv2 = log(sv2(-1)) + [var = exp(c(3))]
@state sv3 = c(1) + c(2)*sv3(-2) + var = exp(c(3))]

Ecuaciones de Observacin (@signal)

Al especificar estas ecuaciones, el investigador debe considerar los siguientes
comentarios:

La variable dependiente puede involucrar expresiones matemticas.

Estas ecuaciones no contienen valores actuales o adelantos de las
variables de observacin (@sigmal). Adems, los valores rezagados de la
variable de observacin son tomadas como predeterminadas.

Estas ecuaciones deben ser lineales respecto al estado contemporneo. La
restriccin que no hay rezago de la variable de estado no es restrictivo pues
estados adicionales pueden ser creados para representar valores
rezagados de dicha variable de estado.

La ecuacin de observacin puede contener variables exgenas y
coeficientes desconocidos, y pueden ser no lineales.


Ejemplos:

@signal log(passanger) = c(1) + c(2)*x + sv1 + c(4)*sv2
@signal y = sv1 + sv2*x1 + sv3*x2 + sv4*y(-1) + [var =exp(c(1))]

Sin embargo, las siguientes expresiones son invlidas:

@signal log(passanger) = c(1) + c(2)*x + sv1(-1) + c(4)*sv2(1)
@signal y = sv1*sv2*x1 + [var =exp(c(1))]

Errores y varianzas

En el objeto Sspace, el trmino de perturbacin o error debe incluirse en la
especificacin de manera explcita. Existen varias formas para denotar las
perturbaciones pero la ms simple es indicando el valor de su varianza. Dicha varianza
puede ser conocida o no conocida (por estimarse en el sistema).

@signal y = c(1) + c(2)*sv1 + c(3)*sv2 + [var=1]

@state sv1 = sv1(-1) + [var=exp(c(4))]

Sin embargo, con esta manera no es posible considerar la correlacin entre las
perturbaciones. En este caso, ser necesario identificar cada perturbacin y
posteriormente indicar su varianzas y posibles covarianzas. Para nombrar las
perturbaciones utilizamos @ename.

@ename e1
@ename e2

Tambin puede hacerse directamente en la especificacin de las ecuaciones de
estado (@state) o de observacin (@signal).

Con la expresin @evar podemos indicar los valores conocidos o desconocidos (por
estimar) de las perturbaciones anteriormente nombradas, por ejemplo:

y = c(1) + sv1*x1 + [ename = e1]
@state sv1 = sv1(-1) + [ename = e2]

@evar cov(e1,e2) = c(2)
@evar var(e1) =exp(c(3))
@evar var(e2) = exp(c(4))

Aplicacin: abrir statespace.wks y statespace.prg

Definiremos un proceso ARMAX(2,2) con un coeficiente aleatorio para la variable
explicativa exgena. En este caso, definimos de manera textual las ecuaciones como
podemos observar:



Por ejemplo, la variable de estado 1 (SV1) es la parte del proceso AR, y las variables
de estado 2 y 3 (SV2 y SV3) son parte del proceso MA (moving average). Adems, se
indica que el coeficiente asociado a la variable exgena sigue un proceso random walk
without drift cuya varianza de la perturbacin es restringida a 3.

Estimamos el modelo, si no especificamos los valores iniciales para los parmetros
con la expresin @param, EViews tomar el valor cero para cada uno de ellos.

Tambin podemos especificar los valores iniciales para las variables de estado. En el
caso que no es especifique, Eviews tomar como valores iniciales el cero (diffuse
priors). Como vemos en el cuadro de salida, las cuatro variables de estado utilizan
como valores iniciales el cero con una varianza arbitrariamente alta para reflejar la
incertidumbre sobre sus valores.

En el men del objeto Sspace podemos pedir el grfico de la variable dependiente y el
valor de la variable dependiente estimada un periodo hacia delante (one sep ahead
estimate). Para esto seleccionamos View/Actual, Predicted, Residual Graph.


-3
-2
-1
0
1
2
3
-.04
-.02
.00
.02
.04
.06
.08
1965 1970 1975 1980 1985 1990 1995 2000 2005
Std. Residuals Actual Predicted
One-step-ahead DLY

Por otro lado, podemos analizar el desempeo de las variables estimadas mediante
los grficos propuestos tanto en signal graphs y state graphs. Las opciones de las
series como one step ahead, smoothed y filtered fueron explicadas anteriormente.

La opcin forecast nos permite obtener las proyecciones de las variables observadas
dependientes, las de estado, y los errores estndar utilizando mtodos alternativos y
enfoques para dar valores iniciales.



Otro resultado importante es observar los parmetros estimados por el modelo as
como su matriz de varianzas. La forma de obtenerla se muestra en la imagen
siguiente:



Sesin 7
Modelos de Datos de Panel

Datos en panel esttico

Modelo de efectos fijos

El modelo bsico es:
it i it it
x y + + + = '

Donde i = 1,2,.,N y t = 1,..T. El vector x
it
tiene K elementos (variables explicativas
sin considerar el intercepto). Este modelo se puede estimar por MCO si los siguientes
supuestos se cumplen:

a) Ortogonalidad entre los errores y regresores: E[x
it
,
it
] = 0
b) Homocedasticidad: var(
it
) =
2
, para todo i
c) No hay correlacin entre los errores: Cov (
it
,
is
) = 0, para s t
d) La matriz X = [x
it
] tiene rango completo = K (no hay multicolinealidad)

Sin embargo, el analista puede aprovechar la informacin disponible y construir
modelos de comportamiento ms complejos. El analista podra capturar efectos que no
son detectados en un modelo cross-section o de serie de tiempo. Por ejemplo, es
posible separar economas de escala del cambio tecnolgico a partir de una funcin de
costos de una industria determinada.

Otra opcin es considerar efectos individuales (
i
) especficos para cada unidad de
seccin cruzada pero que son constantes a lo largo del tiempo (time-invariant
regresor). En el caso que los
i
sean iguales para todas las unidades o ecuaciones de
cross-section entonces los estimadores de y por MCO sern consistentes y
eficientes (Pooled estimation).

Este efecto individual puede interpretarse como la habilidad del individuo que no es
observada pero que si afecta la variable dependiente. Este modelo de efectos
individuales es estimado segn los supuestos establecidos sobre la correlacin del
error con los regresores. De esta manera sigue dos tratamientos distintos: el enfoque
de efectos fijos y el de efectos aleatorios.

Ventajas y desventajas del modelo de Datos de Panel
9

Ventajas:
Controlar la heterogeneidad individual.
Provee ms informacin, ms variabilidad de los regresores, menos
colinealidad, ms grados de libertad y eficiencia del estimador MCO.
Es posible estudiar la dinmica del ajuste con mayor precisin.

9
Tomado de Baltagi, Badi Econometric Analysis of Panel Data. Wiley Ed. 1995.

Identificar y medir los efectos que no son detectados en cross section y series
de tiempo.
Elaboracin de modelos de comportamiento ms complejos.
Elimina el sesgo de la agregacin sobre las firmas o individuos.

Desventajas:
Problemas en el diseo y en la recoleccin de los datos.
Distorsiones originadas por errores de medicin.
Problemas de seleccin: auto seleccin, no respuesta; y
Baja frecuencia temporal.

Modelo de Efectos Fijos

Un manera de captar las diferencias entre unidades (o individuos) es considerando
una variable dummy D
i
que indica la unidad i.

En este modelo se asume que los componentes no observados (habilidad por ejemplo)
estn correlacionados con algunos regresores (educacin) y por tanto se viola el
supuesto de ortogonalidad (a). Este tipo de problema tambin es llamado sesgo de
heterogeneidad no observada. Esta dificultad se presenta cuando entidades de
naturaleza no observada diferentes son agrupadas para la estimacin. Por ejemplo,
individuos muy hbiles y los poco hbiles.

Este problema se plantea usualmente como un modelo de efectos fijos. La utilidad se
da por dos razones. Primero se ataca el problema de inconsistencia que es ms serio
que el de ineficiencia. Segundo, la solucin en modelos lineales es directa, pues un
modelo con efectos fijos es equivalente a incluir variables dummy para cada entidad.
Adems, si se tienen T observaciones para cada entidad, se pueden sustraer los
promedios de cada entidad y obtener:

+ =
i it i it i it
) x x ( ' y y

O el modelo de efectos fijos puede verse desde un enfoque matricial:

Ms hbiles
Menos hbiles
X
Y

M MX My + = ; donde ' ) ' (
1
D D D D I M

=

My X MX X
FE
' ) ' (
1
=

Donde
i
y es el promedio de la i-sima unidad o individuo. De esta forma, se eliminan
los componentes no observados que generaban inconsistencia. El estimador de
efectos fijos, tambin es llamado within estimator o estimador intra-grupos pues solo
toma en cuenta las variaciones al interior de la unidad o individuo y no las variaciones
entre entidades diferentes. Este procedimiento es equivalente al incluir una dummy
para cada entidad en la regresin por lo que tambin es conocido como el Estimador
de Mnimos Cuadrados con Variables Dummy (LSDV).

Aplicacin
10
: abrir el workfile baltagi_griffin.wf1 y el programa baltagi_griffin.prg

Baltagi y Griffin estiman la siguiente demanda de gasolina:

it
GDP
MG
N
Car
ln
P
P
ln
N
Y
ln
Car
Gas
ln + + + + =
3 2 1

Donde Gas/Car es el consumo de gasolina por auto, P
MG
/P
GDP
es el precio del motor a
gasolina y Car/N registra el stock de autos per cpita. Este panel consiste de
observaciones anuales en 18 pases de la OECD ente los aos 1960 1978.

Para crear un workfile con datos en panel, elegimos la opcin balanced panel y el
rango del periodo y el tamao de la muestra (individuos).

10
Ejemplo tomado de Baltagi, Badi H. Econometrics Anlisis of Panel Data. Wiley Ed. 1995.


En la ventana del objeto equation podemos elegir estimar el modelo de efectos fijos
individuales como temporales. Adems, es posible elegir el mtodo de Mnimos
Cuadrados Generalizados, para corregir la heterocedasticidad al interior de las
ecuaciones como la correlacin contempornea entre los trminos de error de las
ecuaciones.

Dependent Variable: LGASPCAR
Method: Panel Least Squares
Date: 08/07/05 Time: 17:12
Sample: 1960 1978
Cross-sections included: 18
Total panel (balanced) observations: 342
LCARPCAP -0.640483 0.029679 -21.58045 0.0000
LINCOMEP 0.662250 0.073386 9.024198 0.0000
LRPMG -0.321702 0.044099 -7.294957 0.0000
C 2.402671 0.225309 10.66388 0.0000
Effects Specification
Cross-section fixed (dummy variables)


Los parmetros del modelo guardan relacin con los valores esperados en la teora,
adems, todos los coeficientes son significativos al 5%.

-.4
-.2
.0
.2
.4
3
4
5
6
7
50 100 150 200 250 300

Por otro lado, es posible recuperar los efectos individuales estimados. El procedimiento es ir al
men del objeto equation y elegimos fiex/random effects/cross.section effects debido que los
efectos fijos son para los diversos individuos.

Modelo de Efectos Aleatorios

El enfoque de efectos fijos parece apropiado si creemos que dichos efectos
corresponden nicamente a las unidades analizadas y que no pueden establecerse
para unidades adicionales fuera de ella. Cul es la solucin si las unidades de la
seccin cruzada son extracciones muestrales de una poblacin? La respuesta es tratar
esos efectos individuales como un proceso estocstico que forma parte del trmino
it
.
Adems se asume que dichos componentes no estn correlacionados con los
regresores (la principal diferencia con los efectos fijos).

it
=
i
+
it

Nota: no consideramos los efectos temporales dado que las observaciones de panel
se caracterizan por tener una pequea amplitud en el tiempo.

E(
i
)= E(
it
) = 0
E(
i
2
) =
2


E(
it
2
) =
2

E(
it
2
) =
2
+
2

E(
it
is
) =
2
, t s

La matriz de covarianzas de los errores para la i-sima unidad es:

'
2 2
2 2 2 2
2 2 2 2
2 2 2 2
ii I

+ =
(
(
(
(
(
+
+
+
=
L
M M
L
L

Finalmente la matriz de covarianzas de los errores ser:

(
(
(
(
=
L
M M
L
L
0 0
0 0
0 0

Bajo el supuesto de ortogonalidad, el estimador de MCG es el ms eficiente pues
incorpora la informacin existente en la matriz de varianza de los errores. Este
estimador se construye como b
MCG
= (X
-1
X)
-1
X
-1
y. Empricamente, esto implica
construir la matriz estimada a partir de las varianzas de los componentes del error. A
manera de resumen, el uso de datos de panel permite ganar en eficiencia al explotar la
informacin contenida en los componentes no observados (efecto individual).

La estimacin por MCG implica el uso de ponderadores que transforman las variables
involucradas en la estimacin. Dicho ponderador es el siguiente:
2 / 1 2 / 1
= I .
Siendo '
2 / 1
ii
T
I

=
.

Ntese las similitudes de este procedimiento con los clculos en el modelo de efectos
fijos, donde = 1. Se puede demostrar que el estimador de MCG, como el estimador
de MCO, es una media ponderada matricial de los estimadores intra y entre grupos.

Aplicacin:

El modelo de demanda de gasolina entre naciones propuesto y estimado por Baltagi y
Griffin (1983) es el siguiente:
it i
GDP
MG
N
CAR
P
P
N
Y
CAR
GAS
+ + + + + = ln ln ln ln
3 2 1


A diferencia del modelo de efectos fijos, el trmino no observado pero que indica la
diferencia entre individuos no estara correlacionado con los regresores. Por ejemplo,
i
puede ser una medida del nivel tecnolgico del pas, un nivel por encima del
promedio indicara un bajo nivel de la tecnologa disponible en el pas lo que lleva a un
mayor consumo de gasolina. Este nivel de tecnologa podra ser independiente del
stock per cpita, o de los precios reales de la gasolina, bajo esta sospecha el
estimador de efectos aleatorios ser el modelo apropiado. Aunque, debemos
mencionar que existen pruebas estadsticas para contrastar esta sospecha como el
contraste de Hausman y el de Breusch Pagan.

Dependent Variable: LGASPCAR
Method: Panel EGLS (Cross-section random effects)
Sample: 1960 1978
Swamy and Arora estimator of component variances
LCARPCAP -0.606840 0.024672 -24.59635 0.0000
LINCOMEP 0.554986 0.057174 9.706894 0.0000
LRPMG -0.420389 0.038657 -10.87481 0.0000
C 1.996699 0.178235 11.20260 0.0000
Cross-section random S.D. / Rho 0.195545 0.8177
Idiosyncratic random S.D. / Rho 0.092330 0.1823
Weighted Statistics
F-statistic 547.3993 Durbin-Watson stat 0.304481
Prob(F-statistic) 0.000000
Unweighted Statistics
Sum squared resid 27.64628 Durbin-Watson stat 0.033940


-.8
-.4
.0
.4
.8
3
4
5
6
7
50 100 150 200 250 300

Contraste de efectos aleatorios (Breush Pagan)

Contraste del multiplicador de Lagrange para el modelo de efectos aleatorios. El
anlisis se basa en los residuos de MCO.
H
o
:
2
= 0
H
1
:
2
0
LM =
2
1 1 1
2
1
2
1
1
) 1 ( 2
(
(
(
(
(

= =
= =
n T
i
it
n
i
T
t
it
e
e
T
nT
~ X
2
(1)

Prueba LM: Var(u) = 0
chi2(1) = 1465.55
Prob > chi2 = 0.0000

Se rechaza la hiptesis nula, por tanto hay evidencia a favor del modelo de
componentes del error.

Contraste de Hausman - efectos fijos o aleatorios?

Consiste en probar la ortogonalidad de los efectos aleatorios y los regresores. Bajo la
hiptesis de no correlacin, los estimadores de MCO en el modelo de efectos fijos y el
estimador de MCG son consistentes pero el de MCO es ineficiente. Por lo tanto, bajo
la hiptesis nula la diferencia no debera ser sistemtica.

2 1
~ )

( ) ( )'

(
k FE RE RE FE FE RE
V V H =


Ho: Diferencia entre los coeficientes no es sistematica
b_fijos: consistente bajo Ho y Ha
b_aleatorios: inconsistente bajo Ha, eficiente bajo Ho
chi2(3)=302.8
Pr>chi2=0.0000

Con una probabilidad menor a 0.05 no existe evidencia para aceptar la hiptesis nula.
Por lo tanto, existe una diferencia sistemtica entre el estimador de MCO (efectos fijos)
y el de MCG (efectos aleatorios). Siendo el estimador de efectos aleatorios
inconsistente. Por tanto, el modelo de efectos fijos es el indicado para el modelo de
demanda de gasolina por auto, en otras palabras, existira una correlacin entre las
explicativas y el efecto individual no observable debido probablemente al indicador de
ingresos per cpita.



Datos en panel dinmico

Variables Instrumentales (MC2E)
Papke(1994) utiliza diversos modelos de datos en panel para determinar el efecto de
la designacin de la zona de empuje sobre la produccin en 22 comunidades en
Indiana. Uno de los modelos utilizados es el siguiente
11
:
it i it t , i t it
ez y y + + + + =
1 1 1

donde:
it
y es el logaritmo del seguro de desempleo. El coeficiente de inters es el
efecto marginal asociado al indicador binario
it
ez , dicha variable toma el valor 1 si la
comunidad i en el ao t fue designada como una zona de empuje. El modelo fue
aplicado para el periodo 1981-1988, con
0 i
y que corresponde a 1980. Al tomar las
primeras diferencias al modelo obtenemos:
it it t i t it
ez y y + + + =
1 1 , 1

El modelo diferenciado tiene un nuevo intercepto temporal. Papke estima esta
ecuacin con MC2E, para ello usa como instrumento
2 ,
t i
y para la variable endgena
1 ,
t i
y . El caso de la variable
it
ez es considerado como exgeno pues la designacin
como zona de empuje no depende de su desempeo pasado.

Dependent Variable: D(LUCLMS)
Method: Panel Two-Stage Least Squares
Sample (adjusted): 1983 1988
Instrument list: C D(LUCLMS(-2)) D(EZ)
C -0.201653 0.040473 -4.982367 0.0000
D(LUCLMS(-1)) 0.164710 0.288447 0.571023 0.5690
D(EZ) -0.218703 0.106141 -2.060488 0.0414
Period fixed (dummy variables)
R-squared 0.280529 Mean dependent var -0.235098
Durbin-Watson stat 2.857782 J-statistic 2.15E-30
Instrument rank 8.000000

11
Ejemplo tomado de Papke (1994) Tax policy and urban development: evidence from an enterprise zone
program. Working paper 3945. NBER. Diciembre 1991.


Como observamos la eleccin de los instrumentos cumplen con la condicin de ortogonalidad
pues el estadstico toma un valor muy pequeo. Sin embargo, el parmetro
1
no es
significativo mientras que
1
si lo es a un nivel del 5%. Si

i
no est correlacionado entonces
por construccin
it
deber estar correlacionado. Papke no encuentra diferencias
importantes cuando los errores estndar de los parmetros son ajustados por correlacin serial
y heterocedasticidad.

Dependent Variable: D(LUCLMS)
Method: Panel Two-Stage EGLS (Period weights)
Linear estimation after one-step weighting matrix
White cross-section standard errors & covariance (d.f. corrected)
Instrument list: C D(LUCLMS(-2)) D(EZ)
C -0.187904 0.059523 -3.156810 0.0020
D(LUCLMS(-1)) 0.282591 0.495746 0.570033 0.5697
D(EZ) -0.240758 0.137309 -1.753400 0.0820
Weighted Statistics
Durbin-Watson stat 2.667505 J-statistic 7.11E-30
Instrument rank 8.000000
Unweighted Statistics
Sum squared resid 7.334674 Durbin-Watson stat 3.017004


Debemos notar que el rango de instrumentos es 8, desde que las dummies para los
periodos sirven como instrumentos, as tenemos 3 instrumentos explcitamente
especificados ms 5 variables dummies no colineales.

Estimador Arellano Bond (MMG)

Sea el modelo:

it i
|
it it it
x y y + + + =
1

Sea ) , (
|
1 it it it
x y X

=

Tenemos el modelo en primeras diferencias:

it it it it
x y y + + =

|
1

Aqu las primeras dos observaciones se pierden por los rezagos y las diferencias
dinmicas aplicadas a las series. Como
|
it
x contiene solo variables exgenas entonces
|
it
x pueden utilizarse como instrumentos de dichas variables. Asumiendo que los
errores
it
no estn autocorrelacionados para cada ecuacin individual y si T=3
entonces
1 i
y es el nico instrumento vlido para la variable rezagada. Si T=5, entonces
3 2 1
, ,
i i i
y y y son los nicos instrumentos vlidos.

La estimacin eficiente MMG utiliza un nmero diferente de instrumentos para cada
periodo, los instrumentos corresponden a los diferentes rezagos de la variable
dependiente y variables predeterminadas dadas en cada periodo. Considerando las
variables estrictamente exgenas, uno puede usar un conjunto especfico de
instrumentos correspondientes a los valores rezagados y otras variables
predeterminadas.

Aplicacin
12
: abrir el workfile abond.wf1 y el programa abond.prg

En el artculo de Arellano y Bond (1991) se aplica el estimador propuesto para
modelos de datos en panel dinmico. El modelo es sobre la demanda laboral dinmica
que fue previamente estudiada por Layard y Nickell (1986). El modelo a estimar es el
siguiente:

it i t i it it t i it t i t i it
y y k w w n n n + + + + + + + + + =
1 , 2 1 1 1 , 2 1 2 , 2 1 , 1

donde:
it
n : logaritmo del empleo en la firma i en el periodo t

12
Aplicacin tomada del artculo de Arellano, Bond (1991). Some tests of specification for panel data:
monte carlo evidence and an application of employment equations. The Review Economics Studies, Vol.
58 N2 . Abril 1991.

it
w : logaritmo del salario real
it
k : logaritmo del stock de capital
it
y : logaritmo del producto de la industria

Dependent Variable: N
Method: Panel Generalized Method of Moments
Transformation: First Differences
Total panel (unbalanced) observations: 611
Difference specification instrument weighting matrix
White period standard errors & covariance (d.f. corrected)
Instrument list: @DYN(N,-2) W W(-1) K YS YS(-1) @LEV(@SYSPER)
N(-1) 0.534614 0.167909 3.183950 0.0015
N(-2) -0.075069 0.068575 -1.094702 0.2741
W -0.591574 0.169356 -3.493076 0.0005
W(-1) 0.291511 0.142295 2.048634 0.0409
K 0.358503 0.054300 6.602205 0.0000
YS 0.597199 0.173440 3.443249 0.0006
YS(-1) -0.611703 0.213653 -2.863068 0.0043
@LEV(@ISPERIOD("1979")) 0.005427 0.009799 0.553834 0.5799
@LEV(@ISPERIOD("1980")) 0.011035 0.012726 0.867133 0.3862
@LEV(@ISPERIOD("1981")) -0.032878 0.015995 -2.055443 0.0403
@LEV(@ISPERIOD("1982")) -0.022358 0.014221 -1.572202 0.1164
@LEV(@ISPERIOD("1983")) -0.001423 0.018844 -0.075503 0.9398
@LEV(@ISPERIOD("1984")) 0.011741 0.018574 0.632115 0.5276
Cross-section fixed (first differences)
J-statistic 73.85798 Instrument rank 38.00000

Sample: 1976 1984
Autocorrelation Partial Correlation AC PAC Q-Stat Prob

**|. | **|. | 1 -0.193 -0.193 22.856 0.000
.|. | .|. | 2 -0.012 -0.051 22.940 0.000
.|. | .|. | 3 0.000 -0.013 22.940 0.000
.|. | .|. | 4 -0.001 -0.004 22.940 0.000

De acuerdo al estadstico de Sargan existe evidencia para rechazar la hiptesis nula
que la sobre identificacin es vlida. Cabe mencionar que dicha prueba tiende a sobre-
rechazar en presencia de heterocedasticidad. Por tanto, estimemos el modelo
dinmico mediante el estimador de dos pasos.

Dependent Variable: N
Method: Panel Generalized Method of Moments
Transformation: First Differences
Total panel (unbalanced) observations: 611
White period instrument weighting matrix
White period standard errors & covariance (d.f. corrected)
Instrument list: @DYN(N,-2) W W(-1) K YS YS(-1) @LEV(@SYSPER)
N(-1) 0.474151 0.089492 5.298257 0.0000
N(-2) -0.052968 0.026956 -1.964992 0.0499
W -0.513205 0.057826 -8.875003 0.0000
W(-1) 0.224640 0.081321 2.762398 0.0059
K 0.292723 0.042613 6.869307 0.0000
YS 0.609774 0.112002 5.444293 0.0000
YS(-1) -0.446371 0.126700 -3.523065 0.0005
@LEV(@ISPERIOD("1979")) 0.010509 0.006891 1.525097 0.1278
@LEV(@ISPERIOD("1980")) 0.014142 0.010011 1.412639 0.1583
@LEV(@ISPERIOD("1981")) -0.040453 0.012304 -3.287801 0.0011
@LEV(@ISPERIOD("1982")) -0.021640 0.011452 -1.889553 0.0593
@LEV(@ISPERIOD("1983")) -0.001846 0.010902 -0.169365 0.8656
@LEV(@ISPERIOD("1984")) -0.010220 0.010641 -0.960497 0.3372
Cross-section fixed (first differences)
J-statistic 30.11242 Instrument rank 38.00000

Date: 08/08/05 Time: 04:57

Sample: 1976 1984
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
*|. | *|. | 1 -0.171 -0.171 17.978 0.000
.|. | .|. | 2 -0.015 -0.046 18.115 0.000
.|. | .|. | 3 0.000 -0.011 18.115 0.000
.|. | .|. | 4 -0.001 -0.004 18.116 0.001

A pesar que Arellano y Bond recomiendan no usar este modelo para hacer inferencia,
si es til para hacer una aproximacin sobre la prueba de Sargan bajo
homocedasticidad. Existe evidencia para aceptar la hiptesis nula de validez de los
instrumentos.

Tanto como en el primer modelo que asume homocedasticidad como en el actual
rechazan la hiptesis nula de carencia de autocorrelacin de primer orden en los
residuos diferenciados. Pero no implica que los estimadores sean inconsistentes, si
existiera correlacin de segundo orden en los residuos diferenciados eso implicara
que los estimadores son inconsistentes que de acuerdo a la prueba no puede
afirmarse la inconsistencia.

Macroeconometría Aplicada con E-Views 5

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Macroeconometría Aplicada con E-Views 5

Cargado por

Copyright:

Formatos disponibles

Macroeconometra Aplicada con E-Views 5

Expositor: Jos Carlos Tello

, el vector de parmetros estimados.

para las diferentes

es la matriz de autocovarianzas de orden j. Lo

sea positiva semidefinida. La eleccin de Bartlett es la ms recomendada

si lo es a un nivel del 5%. Si

También podría gustarte