tUHAMIkN I

Tomando este nuevo vector Z como una variable podemos utilizar el teorema de la descomposicin de Wold (1 variable aleatoria puede descomponerse en un componente componente aleatorio en el que tenemos:
.

a,

donde la matriz rnulhianante de Zt aplicada sobre una matriz de componentes aleatoiioe m u l t i d ! *

S

$1 i ICi 3

;yt'wmmponiendo ahora la mahiz de retardos en dos componm{

recogiendo respectivamente los retardos aplicados a las variables y los a] las componentes aleatorias, podemos reescribir la anterior identidad como:*

y premultiplicando por la m a t r i z a(L)tenemos:

e
.d,

.!

-1

Si inicialmente suponemos la matriz de retardos B(L*O planteamientos ms desarrollados modelos V A R M A S bz p WITS a(L).Z,= B E , y separando los componentes contempo&cgosds una representacin autorregresiva pura del modelo multi

1 . , ; 11 ! . #!:+*** ,> Esta forma autorregresiva puede estimarse sin todas las variables que aparecen a la derecha & la i aun siendo aleatorias, presentan independencia perturbaciones aleatorias.
A l
4

f)

Por tanto,' podramos afirmar que el planteamiento "dsr autorregresivos consistira en la estimacin por MCO de la aplicada a la forma reducida de un modelo multiecmbnal. &, NOobstante, para la especificacin concreta de un m definir a prion el nmero total de variables que componen elFstema m, Y ' mximo de retardos a incluir r, incluyendo, si es necesario, una matriz trminos deterrninistas D,.

C.

E:

II

II M

"M*

C,
O

Y!,

m
O

S u

.
I

4niponer todas formas, para realizar simulaciones con este tipo de modelos ser un determinado nivel de causalidad entre las variables.
1 incluir en la especificacin del modelo VAR slo variables retardadas as y que, por la hiptesis de ausencia de autocorrelacin, no estn contemporneamente con el termino de error, podemos estimar el m a consistente mediante la aplicacin directa de MCO, siendo la en&i~a del estimador:

1
cO1ll'

c0rrL

nioJ1 exf r'

U
C

ii

. hubiese correlaciones entre las distintas ecuaciones (Z # O) seria necesario todos de estimacin con informacin completa, del tipo mximo verosmil brmacin completa, o estimacin de ecuaciones aparentemente tionadas (SUR) que se trataron con detalie en el capftulo anterior. , r 1
0 1 1
1 ,

incluye, sin prdida de generalidad, los Irminos deteminisis.

ZI mayor problema que puede plantearse a la hora de estimar los modelos \ ia el de la determinacin del nmero de retardos a incluir en la estimacin, yuc hiel ealizarse, en general, de f o m cuantitativa, a n a l h d o los propios L!\lll $dos de estimacin y comparando los resultados obtenidos entre distintos . 1 0 t l i110s alternativos, ya que no es hcuente encontrar evidencias tericas al :spc icto. Sims, propone la utilizacin de un ratio de vmsimilitud entre el modelo :\Ir1 ngido (el que tiene el menor nmero de retardos) y el modelo ampliado.(el que odos los retardos deseados), siguiendo una expresin del t i p : ,Y.
l.,,

r(

:I numero total de observaciones, k es el nmero de variables de modelo r n U u , L; son las matrices de productos c d o s de residuos r del modelo lgido y a del ampliado, y R es el nmero total de restricciones.

.,

g.1

. c

, v . , :

B.>

'

, i

a '

x0 ~nfomativode Akaike (AIC), el criterio de Schwarz (SC) o el propio ' b o de verosimilitud, cuyos estadsticos son:

Itros criterios utilizados para la seleccin entre modelos alternativos son el

4R i m

:inY lam transfdmacidn

;

en la a la

: a loa IR estruciaiirziles o itividad intlividual en los modelrriS VAR. ite g&sti-a nmero difea,nte de :iales d PVAR biCn los nlodelos inacibn
N

niie S e

io~l

del

~ c i ade

de
10s

y, = a10 + al
Xl

IYI-1

+ a 1 2 y l - 2 + a 1 3 x ~ - l + a14xt-2

+'1.1

+ a 2 1 Y ~ - i + a 2 2 Y ~ - 2 + a 2 3 X ~ - ~+ a24Xl-2 + ' 2 . 1
+ a 2 2 y ~ - 2 + a 2 3 x ~ - l + a 2 4 x ~ - 2 + u2,1

y, = a,, + a,,Y,-, + a 1 2 y 1 - 2 + ' 1 . 1

X,

= a 2 0 +a 2 1 y ~ - l

+ 624u2,r-2

+' 2 , l

especificaciones SVAR y BVAR son similares a las genricas nicamente el proceso de ortogonalizacin o el mdtodo de estimacin.

GRACIN EN MODELOS VAR. TEST DE

EN
1 procedimiento de Johansen parte de la representacin autorregresiva

una matriz multivariante de m variables que, omitiendo por simplicidad es componentes deterministas, vendra dada por:

&estando en ambos lados de la identidad la matriz Y,-, ,tendrimos:

mas reescribir como:

'

a : + 4 5 I 3 -, + 7! 2
" N

' "

-9;

+Ni.

E @

B ! 5

AY, =SL,AY,-, +IR,AY,-, +...+A@' Y,-, +U,

tr o d ~ ~P'Yt-, t o es estacionario.
contraste de cointegracin propuesto por Johansen consistira, entonces, rncin del modelo VAR con las variables transformadas en diferencias y la --i6n del rango de la matriz de coeficientes, R. En la prctica, el ente de aplicacin del test de Johansen se realizara mediante las siguientes cin del orden ptimo del modelo VAR a estimar. Esta primera etapa es nte ya que los resultados del contraste son muy sensibles frente a una cacin (pocos retardos), mientras que la inclusin de excesivos retardos mo veamos, una rpida pCrdida de grados de libertad. Para la 6n del nmero adecuado de retardos puede utilizarse cualquiera de los ue veamos en el caso general de los modelos VAR.
n del modelo. Para poder realizas la descomposicin de la matriz l2 entre os de la velocidad de ajuste EL y los coeficientes de cointegracin (en el que Cstos existieran), es necesario imponer restricciones sobre los de dicha matriz R, para garantizarnos la igualdad de los coeficientes en es de cointegracin que afectan a cada variable. Esta necesidad de restricciones sobre los parmetros de R nos impide la utilizacin directa del de MCO, por lo que Johansen propone un mttodo alternativo basado en lentos de mxima verosimilitud con restriccionw paramdtricas, cuyo 1110 especfico obviaremos, por razones de complejidad, remitiendo al lector ido al ya citado artculo original de Johsuasen (1 988).

:minacin del rango de cointegracin, que vendr determinado, por el propio de la matriz 6 .Teniendo en cuenta que se trata de una matriz de coeficientes dos, y por tanto aleatorios, el rango de dicha matriz no puede determinarse de absoluta, sino que habri que definirlo dentro de un entorno probabilistico. Con esta finalidad se definen dos estadsticos alternativos, basados en 10s =lores ui de la matriz d y formulados como:
m

5 r m u ( r ) = - ~ C l n ( i - V i )~ - ( r , r + l ) = - ~ h ( l - V ~ + ~ )
i=r+l

Son los autovalores, r es el nmero de relaciones de cointegracin y N es el O total de observaciones.

Con el estadistico V+&gontrastaremos la hip6tesis nuhFde nmero de vectores de cointegraci6n menor o igual a r h t e alternativa de existencia de ms de r relaciones de cointepci(in,
l.

El estadstico V,, contras de cointegracin h t e a la hiptesis cointegraci6n. l . L : I l b

>L & A b f r p

Jil

Los valores de estos estadis estimados por Johansen y Juselius (1990), para que dependen, fundamentalmente, de dos factores:

- El nmero de componentes no estac

estadsticos coincide con m - r.

- Los componentes deterministas in

.

modelo general como:.

AY. = n , +Q,T
1

donde Q seran los parmetros asociados a los eoiflponentes dete modelo dinmico para la deriva y la tendencia, resped&amente, y Bc Y componentes detenninistas de !os vectores de cointemcin, siendo : detekninista que recoge el transcurso del tiempo.
I

a,

I'

Con estos condicionante; el conjunto t e b n , ~de posiblesl contrastar vendran resumidos en e! cuadro que preseetamoc a contin

, . , e h4
t

NO todos los modelos son igual&& kactilui y, por ejernpld;{ original de Johansen y Juselius, s610 incorporan como posibles modelos O al 3. Para modelos ms complejos en su especificacilf, pueden consultarse los valores tabulados por Osterwald-Lenum ( 1992)-

:"pg3
"'e:
Y

- v .

y l

"~35
"-.E!
e.E 0 . m(A
3 9
0

m
(A

2.Q 5.g 5
p e 09 g3 s
E0
o
5

""if 85 O

!a0

ggi
P ,

6 T B

S, g
a3
Q-

2. g 5
= -. Em s 0 0 K iS

m n n rnmn

N W N W W

--

a-.

th intercept reetricted in cointegrating rclation dl d2 d3 1 irm lry ibo ide ion test results 7.1 (p.1131, 7.2 (p.1131, 7.3 (p.114) uses slightly different critica1 valuea reporta *transpoae* of Table 7.2

Zed cointegrating relation 7.1 (left graph) coint oint. line ine,left) 0.0

ind b3+b4=O test is different from the test reported in Johansen (p.115) ~t of b3+b4=O conditional on bl+b2=0

.______________--__---------------------------------------------

int) b(1,3) + b(1,4) = O b(1,l) = 1.0 ted logl in mat2 for later use veci .coint (b,1,restrict,cmle-5,m=100,eavelmat2) cted cointegrating vector ,restrict,c=le-5,m=i00)1 1 lnn lry ibo ide vecl.Ocointvec

dl d2 d3

cxogeneity a31a4-0 conditional on bl+b2-0 and b3+b4-0

............................................................... ...................................................................
(coint) a(3.1) (coint) a(4,l)
m

- app ' P
,

O O

On b and a icted logl o joint test in M t 3 3, vecl .coint (b,1, r~~tric~,c-le-5,m-100, save-mat3) nUall~ LR statistic for testing a3=a4-0 on bl+b2=b3+b4=0 first Paragraph of p.116 "Weak exogeneity test (a3-a4-O) conditional on bl+b2=b3+b4~0"

O 4: MODELOS MUL I Ivnimu i

v L uL,

..-l

.-.... -

do mibajo ami m~delai mita se presentan disatos qj SAS. conti9stm de cointegtacidm de J o b midiante . .
Partir Com, iimient,
i t a si set
S

,.

'

..

LIf

'

del fichm sjmuEi.sar?&t que contiene daeos de dos variebi~ y1 S repr%senbmdo *, v&b, (@m 4 2 2 ) .el la sintaxi8 siguien*:
1Pljanl000'd, -<-l

date = i n t m ( tyearl, f ormat date year8.;

011 V a none 012 v = none Y1 * date S w * date =

i
I
2

jsin 1 1; join 1 = 7 ;

/ ove~lay1

ser W

L QLsL 9 9 8 L

~~b

S m C BPBL'9DBL DgaL PEBL OeBL P L e L OLeL g O B L U J 6 L

o:.

rt C

K
m
rt

o l.

; a

Retada

V8rwJb

Variable1

-2.error std,

. nst4bnYn
~ P I

Teat de Portuntoau correlaciones cruzadaa ~

u ' ~

Variable
Y 1 Y2 1.97 2.14 3.32 6.48

0.1000 0.0863

Coiprobicibn d e l d i a g n b t i o o Valor Variable

Y1 Y2 0.02 0.52 0.8980 0.4708
I

al modelo

(inivariantt

Valor
0.14 0.41

OIBBBP
0 . m

Predicoionra Variabl
Y 1 102 103 104 1Q6 1O 1 102 109 1 1 2001 2002

2009 20041
2000 2001 2002 2003 2004

-1.ll.W -0.1484 -2.0987 -2.7706 -2.7672 -2.2484 -1.4748

2.a17 2.5874 1.1810 1.4787 1.7421 2.0183 2.2617

-6w
-6-

-4. -8.
-8. -6. -5.

E g, L
cl

E0.L

O-.

"0 & 1 9 %D.a 0

0 s

% 'E %

E.

4 g F.2
0.Q.

3 g a 2 l2.g

g 3. a
(2 O
n
Vi

g%

K?.

1g

E
m'

s.0 B m
"'3

8z

::g co
8u
-0

CAPITULO 4: MODELOS MULTIVARIANTE(CDE SERIES TEMPORALES... 223 -

Varieble

Prueba 1

Prueba 2

Estimadores ALPW de1 coeficiente de ajuate Variable Prueba 1 Prueba 2

,, 1
(

A..'
, q

Estimadores d e l coeficiente UI Retardo Variable

Repnsenteci6n eaquwtica de l o s e e t i u d o r e a de pariretros Variahlel Retardo

M1

AR2

88 > ~ * ~ P P o It P d,

i r < -Zgerror std, esta entra, pr.414, ,

Estimadores d e l p a r l w t r o de1 modelo Error ert6ndar
,( < 1

Variable

U a t r i z de covarianri p a n la innovaoibn Variable

C r i t e r i o s de intornaciin AICC(Corrrgid0 AIC) HQC(Critero Hannan-Quinn) AIC(Criteri0 de inforuacibn Alraike) SBC(Criteri0 Schrsrz Bayeaian)

'

Retardo

Variable

-0.61764 -6.gsB(u

-91.918&4

5
8

Y 2 Y1

'

'

Y2 Y1

-7.SSS78 6.32719 16.67260 -0.48140

-0.08367 - 0 .O8247

-14.71.3S42l

".f
I

11

y1

Y2
12
y1 Y 2

5.66177 -3.95845 -10.8441

Matrices residualea de ccrrelacibn cruzaba

Retardo
0

Variable
Y1

-0.07388

Y 2

-0.07943

iI

1 1 1

Reprrsenta~i6n e ~ u o d t i c a de w r r r l i c i o n ~ cruzadas raaidualar I

I G

1..

..

.
I

:
I .

. . . . . . . . . . . . . . . . . . . . . + ae > 2"ermr atd, - e$ e - 2 * r r m r std, . eat4 entre

Test da Portsanteau para correlaciones cruzadas residualea para Chim-* retardo cuadrado DF ChiSq

:I

..

Cmprobacidn d e l d i a g d s t i c o d e l modelo univariante Variable R-cuadrado Stdev F-valor Prob>F

Coiprohci6n d e l diagndatico d e l w d r l o u n i v a r i r n t e ChiSq de normalidad Prob> ChiSq Valor

Variable

W(1)

ARCHl F

Prob>F

Cmprobacidn d e l diagndatico d e l modelo univarianta Valor A R 1 F Valor Prob>F valor Prob>F Valor Prob>F

0.02 0.91

0.6797 0.3420

AR1-2 F 0.74 2.83

0.4816 0.0m

AR1.3 F 0.70 1.73

0.5583 0.1656

Al-4 F 0.81 1.38

ProbWF

0.6554 0.2644

pdiagnosis.

' Se9Jjn la prueba del rango de cointepracin estn cointemdas con rango xiste una relacin de cointegraciin. Se observa t a m k n el ajuste del

uoserva que las series no son estacionarias (p-valores de ADF muy

Modelo de vector de c o r r e g w del SAS.

iIi7

'

Los modelos de vector de correccin del modo sencillo mediante la sentencia m.A con obtiene el modelo de vector de correccin del error para anterior. Para normalizar los valores del vector usamos rank para declarar el rango de cointegrac obtener la representacin del modelo de vector de c
proc varmax data=simul2; I y1 Y2 / p=2 noint print=(iarr) l a ecm- (rank=l nozaliqe=g&,

salida es la siguiente: -

. b' r

..

.
4

*-.r .mw bis I ~ J ' ' r a ~ i , \ ~ .t i r 71 iiJe7)~.~-d.7 , , a -

.mp
'J

.WJ L

Y
fi

i,

.-***

urumdi

fi

prm*iiiena

pqu

Nimero d . obwrvacionee N b m de w p a n j a i i e n t o s nuaentw Variable Tipo DEP DEP Tipo de modelo Mtodo de esti.roi6n R e w o6integPedo

;m!'',! ?pZ'*
f
4br-

~~ k e U h y -? . E . -L i.,-..

'

' 9,

Variable
Y1
4

' 1

'

'

Variable

prue&

.'

.el'-

r +*,?

;,

Estiaadores BETA BETA' d e l p a r h t m ALP)(A

M . O

4
h,

'

. ,

Variable
4 ,

Y1

0 -C>C>C>-

.z.zU.z~.cYU N - N - N - N -

C > 7 7 7 C > 7 c r c o I R R - 7 * m 9 9 7 m 7 7 7 m 7 c c o C 1 S O 0 g a m o

a -a afq
,

: ! a 3 3
nu n

: % e z D

u C a

m I cm 0

g3 a
d
A

.'F..

S8

P P . .

8i%

!
L .

?P..

PP..

ff

{ -

1 6BtOP'Om L ' 0 09L19'0 ELOLZ'O-

E
2
1

tn
lA
Z A LA

0TVTJVA oaytgbu~u e p ~ o rp
1BLt'O lBB9'0 10'2 W'O dE-LW

OPJVl0U

wyosauere~dr~
11'6 60.0
"r

LBM'O 6KS'O
l

890C.0 1m.O

W.0 W'O dLW

3 d

JOPA wvTJvATun oiepoi

d4O.U 41-lW ~ I V ? : JoTEA

dalaid.

JoTEA

iw

W T ~ E ~ U O B TT P~ P 119'13~-

LW'O LGIE'O

*'O il.2

m' 1
MI' L

zh 1 A

eTqvvrA 4oJd eP b8T43

elU0TJ0ATUn OTePM TeP c~TLspu6ETpT0p ~ 9 ~ 3 0 q o ~ d ~

LooO'> 1000'> Z*'BBi BL'ZBt BLOT'Ol WCL.6 BOW'O LBMI'O

tn
LA

.
I.

9 ' -

opmpeno

opJvaeJ

v~vd nseauwuod op a e r l
1

*.,
..
6

WlU.

+w
*u

v i .

y300 ' 'Pis JOJJ@*Z&l *p&S JOJJ.2 < Se +

l . '

rr

+ \.u* e*. ..-5 s , . c u . #**

1

' t

OPJV~~U

bTWTJEA er~vnmse svpvznJo ~ seuoyov~e~~o~ e~ -nhe upT3Vlu088~de~

LBOLO'O'@?~o'o'm
7

'
'

ZK
'

)A

fl

MLOO'O , ZOPLL'O- Yc 00000'1 f 1

,Y

(I?&zLo'o Zb PBBLO'O 7 LA 1 .A
&WO.O
3.

26
1 A

f .

@TBTJ.A

opavaru

a-2-8 ' , , S
l..r(rtCI'
l . .

a g z g R'
l . .

0 O O0 - 7 7

n a r n w - , O"'0 7 r c o m
- 0 0

O a a ia 58 % O , ,351g

;us,
-:S

8 %E =

zi! c

5.

-.

O O O O O O O O O O O

STATA Y LOS MODELOS VAR Y VEC. CO CAUSALIDAD Y COINTEGRACION. TEST

La sentencia var de STATA ped;ajustar modelos ms interesantes de esta sentencia son noconstant para suprimir lags(n) para utilizar n retardos, exog(variab consirains(rastricciones) para e s p e g q . , introducir un nivel de confianza.
,cXllr

Como ejemplo estimamos un modelo diferencia del logaritmb de la inversin (dlinvestment), la primera logaritmo del ingreso (dlincome) y la primera W a i a deS. hgaritmo (dlconsumption).

. taemt
. var
d l i m s t m e n t dlincoma dlconeunrption,
+

1a#fifa$pln
i 4-

Vector autoragreii$on Sampla: 196004 Log likelihoad =

..
Ea.

PPB
Lbt(w-ml) Bquation dlinvaitaant dli,pcabs dlconsumption .,.-,--,-----;-,

W81q4

742.2132 1.840-11 1.1%-11

'J

& & r

Pa.rma

---C---------------------*---rr----------------%---

, , , .
, A , ,

7 7 7

.O41195 -013324 .0099+38

',u-A

0.1051 O.lSiA.."Z 0.2400

----S

1 7 0

dlinveitment dlinvsstmsnt