Está en la página 1de 38

Captulo 18.

MODELOS DINAMICOS

Modelo es una representacin abstracta de la realidad, realizado a travs de
elementos y relaciones entre elementos. En un modelo matemtico, el
elemento es la variable y las relaciones son las ecuaciones o funciones que
expresan las relaciones del mundo real.
En el conjunto de modelos matemticos disponibles, se pueden distinguir dos
tipos que son tiles al anlisis econmico:
- Modelos Estticos. Describe la situacin en un momento de tiempo; es
decir, la relacin entre las variables ocurre en el mismo momento t. Es
posible, a su vez, dividir estos modelos en dos tipos:
o Anlisis esttico comparativo: se comparan dos situaciones de
equilibrio.
o Optimizacin esttica: se establecen las condiciones para que el
equilibrio sea ptimo.
- Modelos Dinmicos: estudia la trayectoria de las variables a travs del
tiempo, siendo la relacin entre las variables en tiempos desfasados. Se
tienen dos tipos de modelos:
o Modelos deterministas: las trayectorias temporales se obtienen de
acuerdo a la caracterstica del tiempo considerado. Si el tiempo es
continuo se trabaja con ecuaciones diferenciales; mientras que, si
el tiempo es discreto se utilizan ecuaciones en diferencia.
o Modelos estocsticos: Perez (2008) indica que pueden
presentarse tres situaciones
Modelos dinmicos con retardo en las variables exgenas.
t
m
i
i t i t
X Y + + =

=

0

Estos modelos, generalmente, presentan multicolinealidad.
Modelos dinmicos de rezagos distribuidos con retardo en
la variable endgena

676
t
n
i
i t i t
Y Y + + =

=

1

Estos modelos se estiman por mnimos cuadrados
ordinarios, siempre que el trmino de error no tenga
autocorrelacin. El problema que suele presentarse es la
correlacin entre la variable explicativa y el trmino de
error.
Modelos dinmicos con retardos en variables endgenas y
exgenas
t
m
i
i t i
n
i
i t i t
X Y Y + + + =

=

=

0 1

Estos modelos suelen presentar multicolinealidad,
autocorrelacin y regresores estocsticos. Esto ltimo por
estar la variable endgena rezagada, lo que da lugar a
variable explicativa no fija. El mtodo de estimacin de
mnimos cuadrados suele no ser el indicado en este tipo de
modelos, por lo que se reemplaza por el mtodo de
variables instrumentales.

18.1 Trayectoria temporal y equilibrio de largo plazo.
En los modelos dinmicos es posible indicar las condiciones para alcanzar el
equilibrio intertemporal, tanto cuando se considere el tiempo continuo
(ecuaciones diferenciales) como cuando se lo considere discreto (ecuaciones en
diferencia). Las ecuaciones diferenciales, tanto como las ecuaciones en
diferencia, pueden adoptar diferente orden dependiendo del orden ms alto de
la derivada que aparece en la ecuacin diferencial o de la diferenciacin mayor
que aparece en la ecuacin en diferencia.
1

Una ecuacin diferencial de primer orden es del tipo
) t ( w y ) t ( u
dt
du
= +
Si el coeficiente a ) t ( u = y el trmino b ) t ( w = , donde a y b son constantes, la
solucin general ser:

1
El anlisis dinmico desde el punto de vista matemtico se puede analizar detalladamente a partir de Chiang
(2006).

677
a
b
Ae Y
at
t
+ =


Donde
at
Ae

representa la trayectoria temporal de la variable


a
b
es la integral particular
Si a>0,
t
Y converge al equilibrio
a
b

Si el coeficiente ) t ( u y el trmino ) t ( w son variables, la solucin general ser:
|
.
|

\
|
+ =
}
} }

dt we A e ) t ( Y
dt u dt u

Una ecuacin diferencial de segundo orden es
b ) t ( y a ) t ( y a ) t ( y = + ' + ' '
2 1

Si 0
2
= a y
2 1
r r = , la solucin general es:
2
2 1
2 1
a
b
e A e A Y
t r t r
t
+ + =
Donde a
t r t r
e A e A
2 1
2 1
+ se lo denomina solucin complementaria -la que dar
como resultado la trayectoria temporal de la variable- y
2
a
b
es la integral
particular a partir de la cual se obtiene el nivel de equilibrio intertemporal.

Una ecuacin en diferencias es del tipo
c ay y
t t
= +
+1

Siendo la solucin general
( )
a
c
a A Y
t
t
+
+ =
1
con 1 = a
Si 1 < a la trayectoria es convergente y, adems, si 0 < a la trayectoria es
oscilante.


678
Si 1 = a , la solucin general es
ct A Y
t
+ =
Cuando t ,
t
Y , por lo que la trayectoria es divergente.

Una ecuacin en diferencia de segundo orden es
c y a y a y
t t t
= + +
+ + 2 1 1 2

1
La solucin particular es
2 1
1 a a
c
Y
p
t
+ +
= si 1
2 1
= + a a
Si = + 1
2 1
a a t
a a
c
Y
p
t
2 1
+
= , con 2
2
= a
Si 1
2 1
= + a a y 2
2
= a
2
2
t
c
Y
p
t
=
Solo el primer caso indicar, potencialmente, convergencia a un valor de
equilibrio.

Para hallar la solucin complementaria se debe trabajar con la parte
homognea de la ecuacin, 0
2 1 1 2
= + +
+ + t t t
y a y a y , para encontrar las races
que anulan el polinomio.
Indicando su similar 0
2
= + + c bx ax
Donde 1 = a ,
1
a b = y
2
a c = y haciendo
a
ac b b
r , r
2
4
2
2 1

=
Se obtienen las races que anulan el polinomio,
1
r y
2
r , la solucin es
( )( )
2 1
2
1 1 r r c bx ax = + + =0
Se pueden presentar tres casos

679
Races distintas: si ac b 4
2
>
t t c
t
r A r A Y
2 2 1 1
+ =
Races iguales: si ac b 4
2
= t r A r A Y
t t c
t
4 3
+ =
Races complejas: si
ac b 4
2
<
( ) ( ) ( ) t sen A t cos A R Y
t c
t

6 5
+ =
Donde
2
a R = ,
2
1
2 a
a
cos

= y
2
2
1
4
1
a
a
sen =

La solucin general de una ecuacin en diferencia de segundo orden con races
reales distintas es
2 1
2 2 1 1
1 a a
c
b A b A Y
t t
t
+ +
+ + =
La convergencia a un valor de equilibrio est garantizada cuando
1
1
< b y 1
1
< b
Cuando se tienen races complejas, la convergencia se garantiza si R<1.
Para hallar los valores de
1
A y
2
A , deben indicarse valores sucesivos a
t
Y en
t=0 y t=1
Si t=0
2 1
2 1 0
2 1
0
2 2
0
1 1 0
1 1 a a
c
A A Y
a a
c
b A b A Y
+ +
+ + =
+ +
+ + =
Si t=1
2 1
2 2 1 1 1
2 1
1
2 2
1
1 1 1
1 1 a a
c
b A b A Y
a a
c
b A b A Y
+ +
+ + =
+ +
+ + =
Se tiene un sistema de dos ecuaciones con dos incgnitas que permiten hallar
el valor de las constantes.
Todos estos modelos son determinsticos y presuponen que se conoce el valor
de los coeficientes.



680
18.2. Caractersticas
La caracterstica principal de los modelos economtricos dinmicos es tener
una variable rezagada. Esto indica que la influencia de una variable explicativa
( X ) sobre la dependiente ( Y ) se efectiviza en un lapso de tiempo, siendo este
lapso el que se denomina rezago.
Las razones por las cuales se producen rezagos obedecen a causas sicolgicas
(no se cambia de hbito de manera inmediata), tecnolgicas (la incorporacin
de la nueva tecnologa disponible se realiza a lo largo del tiempo) o
institucionales (por ejemplo, una buena alternativa financiera puede
aprovecharse hasta que existan fondos disponibles).

Se distinguen dos tipos:
Modelo de rezagos distribuidos: donde la variable a rezagar es una variable
explicativa exgena.
t t t t t
X X X Y c | | | o + + + + =
2 2 1 1 0
(1)
Los rezagos distribuidos pueden ser finitos o infinitos, de acuerdo
a que se conozca el nmero exacto de rezagos.
t k t k t t t
X X X Y + + + + + =


1 1 0

es finito porque se tienen k
rezagos explcitamente identificados.
t t t t t
X X X Y + + + + + =


2 2 1 1 0
es infinito.
Modelos autorregresivos: donde la variable a rezagar es la variable
dependiente
t t t t
Y X Y c | o + + + =
1
(2)

En un modelo de rezagos distribuidos en el tiempo
t k t k t t t t
X X X X Y c | | | | o + + + + + + =


2 2 1 1 0
(3)
0
| es el multiplicador o propensin que mide el impacto de corto plazo,
+ + +
3 2 1
| | | informan el impacto intermedio
k i
| | | | | + + + + =


2 1 0
indica el multiplicador de rezagos distribuidos de
largo plazo o total

681


18.3. Estimacin
A partir del modelo de rezagos distribuidos infinitos
t t t t t
X X X Y c | | | o + + + + + =


2 2 1 1 0
(4)
Se pueden adoptar dos modalidades de estimacin
1. estimacin ad hoc
2. restricciones a priori sobre los |

Estimacin ad hoc
Este enfoque lo adoptaron Alt (1942) y Tinbergen (1949). Ellos sugieren que la
estimacin se realice secuencialmente, lo cual significa hacer:
nte sucesivame
X X X f Y
X X f Y
X f Y
t t t
t t
t

) , , (
) , (
) (
2 1
1

=
=
=

El procedimiento se detiene cuando:
a. los coeficientes de la regresin comienzan a hacerse estadsticamente
insignificantes, y/o
b. el coeficiente de por lo menos 1 variable cambia de signo
Las desventajas de este mtodo radican en que
a. no est especificado qu tan largo es el rezago
b. a medida que se estiman rezagos sucesivos quedan menos grados de
libertad
c. puede presentarse multicolinealidad



682
Restricciones a priori sobre los |
En estos modelos se supone que los coeficientes siguen un patrn sistemtico
de comportamiento, se estudiarn el enfoque de Koyck y el polinomio de
Almon.


18.4 Enfoque de Koyck
Se parte de un modelo de rezagos infinitos como el expresado en (4), se
supone que todos los coeficientes | tienen igual signo y que
k
k
| |
0
= siendo 2 , 1 , 0 = k y 1 0 < < (5)
es la tasa de descenso o cada del rezago distribuido
1- es la velocidad de ajuste

El enfoque de Koyck (1954) postula que:
a. cada coeficiente | sucesivo es inferior, lo que significa que con el paso
del tiempo la influencia de la variable disminuye
b. 0 > con lo que elimina la posibilidad de que los coeficientes |
cambien de signo
c. 1 < le da menos peso a los ms alejados en el tiempo
d. la suma de los coeficientes | integrantes de un modelo indica el
multiplicador de largo plazo finito
|
.
|

\
|


| |
1
1
0 k
(6)

Reemplazando (5) en (4), el modelo de rezagos infinitos puede escribirse como
t t t t t
X X X Y c | | | o + + + + + =


2
2
0 1 0 0
(7)


683
La expresin (7) tiene parmetros no lineales, al rezagarlo un perodo se tiene:
1 3
2
0 2 0 1 0 1
+ + + + + =
t t t t t
X X X Y c | | | o
multiplicando por
1 3
3
0 2
2
0 1 0 1
+ + + + + =
t t t t t
X X X Y c | | | o (8)
Restando (8) de (7) se obtiene:
1 0 1
) 1 (

+ + =
t t t t t
X Y Y c c | o (9)
Reordenando
t t t t
Y X Y v | o + + + =
1 0
) 1 ( (10)
donde
t
v es un promedio mvil de los errores.
Este procedimiento se conoce como transformacin de Koyck.

Las diferencias entre el modelo expresado en (10), respecto del expresado en
(4), radica en la cantidad de parmetros a estimar. Adems, (10):
a. no tiene multicolinealidad porque se reemplaz a las
t
X por
1 t
Y
b. es un modelo autorregresivo derivado de un modelo de rezagos
distribuidos
c. es posible que presente correlacin entre la explicativa y el trmino de
error: ) , Y ( Cov
t t

1
puede ser 0 =
d. es posible la autocorrelacin de errores por construccin:
1
=
t t t

e. no puede usarse el estadstico Durbin-Watson habitual, sino la h de
Durbin

Estadstico h de Durbin
En estos modelos donde la variable dependiente se encuentra explicada por
sus propios rezagos, la autocorrelacin se mide con el estadstico h de Durbin
)

(var 1

n
n
h

=

684
donde n tamao de muestra
o

var varianza del coeficiente de la variable rezago

estimacin de ,se aproxima a partir del estadstico Durbin Watson (d)


d
2
1
1

=
h se distribuye ) 1 , 0 ( N y la hiptesis nula es no existencia de
autocorrelacin.
La caracterstica principal de la transformacin de Koyck es el pasar de un
modelo de rezagos distribuidos infinito a un modelo autorregresivo.

Estructura de rezagos
A partir del valor de se pueden calcular la mediana de rezagos y el rezago
medio. Estas son medidas que caracterizan la naturaleza de la estructura de
rezagos.
Mediana de rezagos
log
2 log
= 1 0 < < (11)
Indica el tiempo que se necesita para alcanzar el 50% del cambio total en Y
Con 2 . 0 = Mediana = 0.4306 menos de la mitad del periodo
Con 8 . 0 = Mediana = 3.1067 ms de tres periodos
Con 2 / 1 = Mediana = 1 necesita 1 periodo

Si todos los | son positivos
Rezago medio

=
1
(12)
Si 2 / 1 = rezago promedio = 1
Esta medida indica el tiempo promedio necesario para que puedan observarse
los cambios en las variables dependientes ocasionados por variaciones en las
variables explicativas

685
La mediana y la media de los rezagos sirven como medida resumen de la
velocidad con la cual Y responde a X .
Del enfoque de Koyck se derivan:
1. Modelo de expectativas adaptativas
2. Modelo de ajustes de existencias

El Modelo de Expectativas Adaptativas
El modelo de Koyck se obtiene por un proceso puramente algebraico pero est
desprovisto de cualquier soporte terico. Esto puede suplirse si se supone el
siguiente modelo
t t t
X Y c | | + + =
*
1 0
(13)
Donde Y es la demanda de dinero

*
X la tasa de inters esperada a largo plazo
c el trmino de error
La variable expectativa no es directamente observable pero se puede proponer
la siguiente hiptesis:
( )
* * *
1 1
=
t t t t
X X X X (14)
Con 1 0 s < denominado coeficiente de expectativas. (14) es conocido como
hiptesis de expectativas adaptativas, expectativas progresivas o de
aprendizaje por error popularizadas por Cagan (1956) y Friedman (1957).
Esta hiptesis establece que las expectativas son corregidas cada periodo por
una fraccin de la brecha entre el valor actual y el esperado de la variable.
Otra manera de plantear la hiptesis es sumar en ambos miembros
*
1 t
X y
sacar factor comn
* *
) (
1
1

+ =
t t t
X X X (15)
Lo que muestra que el valor esperado de la tasa de inters en el tiempo t es un
promedio ponderado del valor actual de la tasa de inters en el tiempo y su
valor esperado en el periodo anterior, con ponderaciones de y ) ( 1

686
Si 1 =
t t
X X =
*
, las expectativas se cumplen inmediatamente
Si 0 =
*
t
*
t
X X
1
= , hay expectativas estticas, las condiciones prevalecen
a lo largo del tiempo

Sustituyendo (15) en (13)
| |
t t t
t t t t
X X
X X Y
c | | |
c | |
+ + + =
+ + + =

*
1 1 1 0
*
1 1 0
) 1 (
) 1 (
(16)

Si se rezaga (13) un periodo
1 1 1 0 1
+ + =
t t t
X Y c | |
*
(17)
Se lo multiplica por ) ( 1
1 1 1 0 1
1 1 1 1

+ + =
t t t
X Y c | | ) ( ) ( ) ( ) (
*
(18)
Restando (18) a (16)
1
1 1 1 1 1 0 0 1
1
1 1 1 1


+
+ + + =
t t
t t t t t
X X X Y Y
c c
| | | | |
) (
) ( ) ( ) ( ) (
* *

t t t t
Y X Y v | | + + + =
1 1 0
1 ) ( (19)
Donde
1
1

=
t t t
c c v ) (

Entre los modelos expresados en (13) y (19) se observan las siguientes
diferencias:
a. en (13),
1
| mide el cambio en Y ante cambios en el largo plazo
b. en (19), |
1
mide el cambio promedio de Y ante cambios unitarios en el
valor actual u observado de X
c. si 1 = , los valores actuales y de largo plazo son iguales
d. en (19),
1
| se obtiene luego de conocer

687
El modelo de expectativas adaptativas expresado en (19)-, y el modelo de
Koyck expresin (10)-, son similares; ambos son autorregresivos y tienen
igual trmino de error.
La hiptesis de expectativas adaptativas fue muy popular hasta la llegada de
las expectativas racionales difundidas por Lucas y Sargent; stas suponen que
los agentes econmicos individuales utilizan informacin actual disponible y
relevante en la formacin de sus expectativas y no se apoyan nicamente en
experiencia pasada.


Modelo de aj uste de existencia o modelo de aj uste parcial
Esta es otra racionalizacin del modelo de Koyck dada por Marc Nerlove.
Partiendo del modelo de acelerador flexible de la teora econmica, se supone
que hay un nivel de existencias de capital de equilibrio -u ptimo deseado o de
largo plazo- requerido para generar una produccin determinada bajo unas
condiciones dadas de tecnologa y tasa de inters, entre otras.
Si el nivel de capital deseado
*
Y es funcin lineal de la produccin X
t t t
X Y c | | + + =
1 0
*
(20)
Y dado que el capital deseado no es observable, Nerlove postula la siguiente
hiptesis
( )
1 1
=
t t t t
Y Y Y Y
*
o (21)
Es decir, los cambios en las existencias de capital vienen dados por una
proporcin de las diferencias entre lo deseado hoy y lo existente el periodo
anterior.
(21) es la hiptesis de ajuste parcial o de ajuste de existencias, donde:
1 0 s < o es el coeficiente de ajuste
1

t t
Y Y
*
es el cambio deseado

1

t t
Y Y es el cambio observado que es la inversin
La expresin (21) tambin puede escribirse como
( )
1
=
t t
Y Y I
*
o

688
O bien, eliminando parntesis, como
1 1
+ =
t t t t
Y Y Y Y o o
*
(22)
( )
1
1

+ =
t t t
Y Y Y o o
*
(23)

Sustituyendo (20) en (23)
( ) ( )
1 1 0
1

+ + + =
t t t t
Y X Y o c | | o
( )
1 1 0
1

+ + + =
t t t t
Y X Y o oc o| o|
( )
t t t t
Y X Y oc o o| o| + + + =
1 1 0
1 (24)
(24) se denomina modelo de ajuste parcial y puede considerarse demanda de
existencias de capital de corto plazo

Una vez que se estima (24) es posible, a partir del trmino , conocer el nivel
de existencia de capital deseado de largo plazo (ecuacin 20). Se dividen los
coeficientes
0
o| y
1
o| y, eliminando el trmino rezagado de Y , se obtiene la
funcin de largo plazo.
t
*
t
X
~ ~
Y
~
1 0
+ =
i
~
es coeficiente calculado

En resumen, se tienen tres modelos:
Koyck ( )
1 1 0
) 1 (

+ + + =
t t t t t
Y X Y c c | o (25)
Expectativas adaptativas
| |
1 1 1 0
) 1 ( ) 1 (

+ + + =
t t t t t
Y X Y c c | | (26)
Ajuste parcial ( )
t t t t
Y X Y oc o o| o| + + + =
1 1 0
1 (27)

Estos modelos tienen
o Ordenada al origen

689
o Una variable explicativa exgena X
o Una variable explicativa rezagada
1 t
Y que es estocstica y que da lugar
al modelo autorregresivo
o Correlacin serial (entre
1 t
Y y X )
Por esto existe la posibilidad de que no puedan estimarse por mnimos
cuadrados ordinarios. Los modelos expresados en (25) y (26) tendrn errores
autocorrelacionados por la propia construccin. En la expresin (27) pueden
existir errores homocedsticos y no autocorrelacionados, en cuyo caso es
posible usar mnimos cuadrados ordinarios aun cuando las estimaciones sean
sesgadas.

Mtodo de variables instrumentales
Este mtodo sugerido por Leviatn (1963) constituye una alternativa de
estimacin cuando no puede aplicarse mnimos cuadrados ordinarios y consiste
en encontrar una variable altamente correlacionada con
1 t
Y pero no con
t
v
(trmino de error del modelo de Koyck o el de expectativas adaptativas).
La variable sugerida es
1 t
X que no est relacionada con los errores lo cual
genera estimaciones consistentes pero puede haber multicolinealidad lo cual
dar lugar a estimadores ineficientes.

Contraste de Hausman
Para saber si un regresor es estocstico se utiliza el contraste de exogeneidad
de Hausman. Se parte de un modelo con una sola variable explicativa, cuyo
carcter estocstico estamos estudiando
t t
X Y + + =
1 0

1. Se estima el modelo por mnimos cuadrados y se obtienen los residuos e
2. Se especifica y estima
t t t
e X Y + + + =
2 1 0

3. Se formula la hiptesis 0
2 0
= : H , que es equivalente a decir: el
regresor es no estocstico o el regresor es exgeno
Si se rechaza la hiptesis nula, el regresor no es variable exgena sino que
est correlacionado con los residuos.


690
18.5 Modelos con retardos distribuidos finitos.
Aqu se vern tres modelos:
o Modelo de rezago distribuido de Almon
o Modelo aritmtico de Fischer
o Retardo en v invertida de De Leeuw

Modelo de rezagos distribuidos de Almon
El modelo de Koyck supone que los | se reducen geomtricamente a medida
que el rezago aumenta, esto no es aplicable cuando tenemos situaciones como
las planteadas en las Figuras 1 a 3.
Shirley Almon (1965) propuso estimar los (K+1)

por medio de una funcin
polinmica. Usando el Teorema de Weierstrass
2
, consider que los coeficientes
de los rezagos
i
| podan ajustarse a un polinomio en i de grado q:
q
q i
i a i a i a i a a + + + + + =
3
3
2
2 1 0
(28)
La Figura 1 se corresponde con coeficientes que se ajustan por un polinomio de
grado 2; la Figura 2 con un polinomio de grado 3 y la Figura 3 con un
polinomio de grado 4. En general, un polinomio de grado 2 o grado 3, ajusta
bien el comportamiento de los
i
| .

Figura 1 Figura 2




2
Weierstrass demostr que toda funcin continua en un intervalo cerrado puede ser aproximada a travs
de un polinomio de grado adecuado tal que difiera de la funcin en menos de cualquier cantidad positiva
dada en todo punto del intervalo.

691
Figura 3


La tcnica de Almon parte de un modelo finito de rezagos distribuidos
t k t k t t t t
X X X X Y c | | | | o + + + + + + =


2 2 1 1 0
(29)
expresin que puede escribirse como
t
k
i
i t i t
X Y c | o + + =

=

0
(30)

A efectos de simplificar la notacin se supone que los coeficientes
i
| se
ajustan por un polinomio de segundo grado
2
2 1 0
i a i a a
i
+ + = | (31)
Reemplazando (31) en (30)
( )
t
k
i
i t
k
i
i t
k
i
i t
t
k
i
i t t
X i a X i a X a
X i a i a a Y
c o
c o
+ + + + =
+ + + + =

=

=

=

=

0
2
2
0
1
0
0
0
2
2 1 0
(32)
Definiendo las variables instrumentales

=

=

=

= + + + =
= + + + =
= + + + + =
k
i
i t k t t t t
k
i
i t k t t t t
k
i
i t k t t t t t
X i X k X X Z
iX kX X X Z
X X X X X Z
0
2 2
2
2
1
2
2
0
2 1 1
0
2 1 0
2 1
2 1

(33)


692
y reemplazado en (32)
t t t t t
Z a Z a Z a Y c o + + + + =
2 2 1 1 0 0
(34)

Este modelo se estima por MCO, si los errores son homocedsticos y no
autocorrelacionados o y
m
a tendrn las propiedades estadsticas deseables.
Las variables explicativas no estn correlacionadas con el trmino de error
pero s puede haber alta correlacin entre ellas por la manera en que fueron
construidas. Si ocurriera este caso se debera eliminar la multicolinealidad a
travs de ACP.
Ahora bien, se ha llegado al final del modelo pero se est a mitad camino de lo
que realmente se quiere conocer. El objetivo son los coeficientes de la
variables explicativa rezagada y, lo que se tiene, son los coeficientes de
variables que en su interior tienen una combinacin de variables con rezagos.

El procedimiento es el siguiente
1. Estimar (34) obteniendo
t t t t
Z a

Z a

Z a

Y

2 2 1 1 0 0
+ + + =
2. Haciendo uso del supuesto inicial dado en (31), donde:
2
2 1 0
i a i a a
i
+ + = |

Se calculan los coeficientes
i
| :
Si 0 = i ,
0 0
2
2 1 0 0
0 0 a

~
a

~
= + + =
Si 1 = i ,
2 1 0 1
2
2 1 0 1
1 1 a

~
a

~
+ + = + + =
Si 2 = i ,
2 1 0 2
2
2 1 0 2
4 2 2 2 a

~
a

~
+ + = + + = (35)


Si k i = ,
2
2 1 0

k a k a a
k
+ + = |


693
Cul es el desvo de los
i
| ? Tambin se debe calcular, a partir de los desvo
de
m
a

= <
+
+ = + + =
m
j p j
p j
p j
j
j
i
a a i a i i a i a a Var Var
0
2 2
2 1 0
) cov( 2 ) var( ) ( )

(| (36)

Entonces:
= + + = = ) ( )

(
2
2 1 0 0
0 0 0 a a a Var Var i |

( ) ) a a cov( ) a a cov( ) a a cov(
) a var( ) a var( ) a var( ) a a a ( Var )

( Var i
* * *
2 1
2 1
2 0
2 0
1 0
1 0
2
2 2
1
1 2
0
0 2 2
2 1 0 1
1 1 1 2
1 1 1 1 1 1
+ + +
+ +
+ + + = + + = = |

( ) ) a a cov( ) a a cov( ) a a cov(
) a var( ) a var( ) a var( ) a a a ( Var )

( Var i
* * *
2 1
2 1
2 0
2 0
1 0
1 0
2
2 2
1
1 2
0
0 2 2
2 1 0 2
2 2 2 2
2 2 2 2 2 2
+ + +
+ +
+ + + = + + = = |

( ) ) a a cov( ) a a cov( ) a a cov(
) a var( ) a var( ) a var( ) a a a ( Var )

( Var i
* * *
2 1
2 1
2 0
2 0
1 0
1 0
2
2 2
1
1 2
0
0 2 2
2 1 0 3
3 3 3 2
3 3 3 3 3 3
+ + +
+ +
+ + + = + + = = |

( ) ) a a cov( k ) a a cov( k ) a a cov( k
) a var( k ) a var( k ) a var( k ) k a k a a ( Var )

( Var k i
* * *
k
2 1
2 1
2 0
2 0
1 0
1 0
2
2 2
1
1 2
0
0 2 2
2 1 0
2
+ + +
+ +
+ + + = + + = = |



Qu problemas se plantean con este mtodo?
Un problema que presenta la estimacin de estos modelos es la reduccin de
los grados de libertad, tener un nmero importante de rezagos conduce a
estimar un alto nmero de coeficientes que redunda en disminuir los grados de
libertad. Adems es posible que exista relacin entre las variables explicativas.
La eleccin del grado del polinomio y de los trminos de rezago es subjetivo.
Para determinar la cantidad de rezagos se puede utilizar un correlograma o el
test de causalidad de Granger, pero con el grado del polinomio es prueba y
error.
El procedimiento es estimar sucesivos modelos con distinto polinomio y, el que
mejor modelo estimado arroje, ese ser el polinomio a adoptar finalmente. La
eleccin del modelo final puede hacerse a travs de los criterios de informacin

694
de Akaike o Schwarz, cuanto menor sean estos indicadores mejor es el
modelo.
El mtodo es flexible para incorporar diversas estructuras, no se encuentra la
variable dependiente rezagada y, si se puede ajustar un polinomio de grado
bajo, se reduce el nmero de coeficientes a estimar.

El modelo de Almon en notacin matricial
1
1 1
1 Tx
Tx Tx
Tx
X j Y + + =

Siendo
Vector de variable endgena:
(
(
(
(

=
T
Tx
Y
Y
Y

2
1
1
Y
(
(
(
(

=
1
1
1
1

Tx
j
Vector de coeficientes:
(
(
(
(

=
+
k
x ) k (

1
0
1 1
vector aleatorio:
(
(
(
(

=
T
Tx

2
1
1

Matriz de regresores
(
(
(
(
(
(

=




+
T , k t T , t T , t T , t
, k t , t , t , t
, k t , t , t , t
, k t , t , t , t
) k ( Tx
X X X X
X X X X
X X X X
X X X X

2 1
3 3 2 3 1 3
2 2 2 2 1 2
1 1 2 1 1 1
1
X

Escalar o parmetro independiente

La funcin polinmica que plantea Almon, en trminos generales, es
q
q i
i a i a i a i a a + + + + + =
3
3
2
2 1 0

Los coeficientes
i
se pueden reescribir en trminos de a de la siguiente
manera:

0 = i ,
0 0
a =
1 = i ,
q
a a a a a + + + + + =
3 2 1 0 1

2 = i ,
q
q
a a a a a 2 2 2 2
3
3
2
2 1 0 2
+ + + + + =

695
3 = i ,
q
q
a a a a a 3 3 3 3
3
3
2
2 1 0 3
+ + + + + =


k i = ,
q
q k
k a k a k a k a a + + + + + =
3
3
2
2 1 0


Se define una matriz auxiliar H que permite reescribir los (K+1)

en funcin
de los (q+1)a, esto es
Ha =
Es decir

( )
( ) ( )
( ) 1 1
1
0
1 1
2
2
1
1
0
1
2 2 2 1
1 1 1 1
0 0 0 1
x q
k
q x k
q
q
xk k
k
x
k k k
+
+ +
+
(
(
(
(

(
(
(
(
(
(

=
(
(
(
(



Volviendo al modelo a estimar

=

+ + =
K
i
t i t i i
X Y
0

Reemplazamos los por el polinomio
( )

=

+ + + + + + + =
K
i
t i t
q
q i
X i a i a i a i a a Y
0
3
3
2
2 1 0

Desarrollando se obtiene
t
K
i
i t
q
q
K
i
i t
K
i
i t
K
i
i t i
X i a X i a X i a X a Y + + + + + + =

=

=

=

=

0 0
2
2
0
1
0
0


Por lo tanto

696
( )
( )
( )
( )
t
k t
q
t
q
t
q
t q
k t t t t
k t t t t
k t t t t i
X k X X X a
X k X X X a
kX X X X a
X X X X a Y

+
+ + + + +
+ +
+ + + + +
+ + + + +
+ + + + + =



3 2 1
2
3
2
2
2
1 2
3 2 1 1
2 1 0
3 2
3 2
3 2


Usando variables instrumentales Z para la combinacin lineal de las X, se
puede reescribir como
t qt q t t t i
Z a Z a Z a Z a Y + + + + + + =
2 2 1 1 0 0

O en notacin matricial
1 1
1
1 Tx Tx
Tx
Tx
Za j Y + + =
Adems, como Z=XH se puede escribir
1 1
1
1 Tx Tx
Tx
Tx
XHa j Y + + =

Este modelo puede ser estimado por mnimos cuadrados ordinarios o por
mnimos cuadrados generalizados (si los errores estn autocorrelacionados y7o
son heterocedsticos) haciendo la regresin de Y sobre | | XH j
De esta forma obtendramos los ( )a

q 1 + que posibilitarn hallar los ( )

k 1 + ,
haciendo uso de la matriz auxiliar H, esto es
a H

=
La regresin de los coeficientes estimados
( ) ( ) | | | | Y XH j XH j XH j
a

' '
=
(

' '
'
(

' ' ' '


' '
=
(


Y X H
Y j
XH X H J X H
XH j j j
a


Con

697
1
2

(

' ' ' '


' '
=
(

XH X H J X H
XH j j j
a

V s


Por lo que
( )
1
2

(

' ' ' ' ' = XH j j X H XH X H a V


T
1
s


De esta forma
a H

= con
( ) ( ) Ha a H = = =

E

E

( ) ( ) H XH j j X H XH X H H H a V H V '
(

' ' ' ' ' = ' =


1
2 2
T
1
s

s



Estos modelos, adems de la multicolinealidad, tienen el problema adicional de
la determinacin de:0
1. Cantidad de rezagos a utilizar que, a su vez, puede afectar a los grados
de libertad del modelo; esto es longitud del retardo (k)
2. Grado del polinomio (q)

Una forma de solucionar estos problemas es la contrastacin de la hiptesis
nula de restricciones lineales sobre a:
0
3 2 1 0 0
= + + + + +
q
a a a a a : H
A travs del estadstico
( ) ( ) | | ( )
( )
2 1
1
1
0
2
1

~
'
(

' '
'
=
q T ; ;
H
*
F
q T

F
0

e e
a R R Z Z R R R

Donde

698
| |
(
(
(
(
(
(

=
(
(
(
(
(
(

=
0
0
0
0
1 1 1 0
2
1
0

q
a
a
a
a
a

R
Si
2 1
0

>
q T ; ;
*
F F

se rechaza la hiptesis nula y tanto los rezagos como el
grado del polinomio son adecuados; caso contrario hay que volver a hacer la
regresin con un grado menor.t


Retardo aritmtico de Fischer
Dado
t
k
i
i t i t
X Y + + =

=

0

>
s s +
=
s i
k i ) i k (
i
0
0 1

Reemplazando en el modelo
t
Z
k
i
i t t
t
X ) i (` Y + + + =

=


0
1
El modelo a estimar es
t t t
Z Y + + =


Retardo en v invertida de De Leeuw
Dado
t
k
i
i t i t
X Y + + =

=

0


699
( )

s s +
s s
=
k i
k
i k
k
i i
i
1
2
2
0


Reemplazando en el modelo
( )
t
Z
k
k
i
i t
k
i
i t t
i
X i k X i Y


+ =

=

+ + =
2
1
2
2
0

El modelo a estimar es
t t t
Z Y + + =


CASOS DE ESTUDIO, PREGUNTAS Y PROBLEMAS
Caso 18.1: Modelo de Rezagos Distribuidos de Almon para la funcin
Consumo
El objetivo es aplicar la tcnica de Almon a los datos de Consumo y PBI de
Argentina utilizando la informacin existente en la Tabla 16.4.
Uno de los problemas que se presenta es el desconocimiento de la relacin de
causalidad, el comportamiento del consumo causa un comportamiento
determinado en el PBI?, o las variaciones en el PBI dan lugar a cambios en el
consumo?
Para aproximar una respuesta a esos interrogantes es de utilidad el Test de
Granger, que mide la causalidad cuando hay relacin temporal del tipo
adelanto rezago entre las variables.

Prueba de Granger
La prueba involucra la estimacin de dos regresiones

700


= =

= =

+ + =
+ + =
m
i
t
m
j
j t j i t i t
n
i
t
n
j
j t j i t i t
Y X X
Y X Y
1
2
1
1
1
1
c o
c | o

donde se supone que
t 1
c y
t 2
c no estn correlacionados.
Los pasos consisten en
3. regresar Y sobre los rezagos de Y para obtener la suma de los
cuadrados de los residuos restringidos (
r
SCR )
4. repetir la regresin anterior pero incorporando los trminos
rezagados de X para obtener la suma del cuadrado de los
residuos sin restringir (
nr
SCR )
5. se construye el estadstico
( )
( ) k n SCR
m SCR SCR
F
nr
nr r

=
/
/

que se distribuye como una
k n m
F
,
; donde:
m es el nmero de trminos rezagados de X
k es el nmero de parmetros estimados en la regresin no
restringida
6. Bajo la hiptesis nula de que el trmino rezagado de X no
pertenece a la regresin

= 0 :
0 i
H o
si el valor de F calculado excede al crtico, a un nivel de
significacin de o , se rechaza la
0
H . Esto significa que los
trminos rezagados de X pertenecen a la regresin.
7. Se repiten los pasos anteriores para la variable X

Granger distingue 4 casos de causalidad
1. Unidireccional de X a Y : cuando los
i
o son estadsticamente distintos
de cero y los
i
o estadsticamente iguales a cero
2. Unidireccional de Y a X : cuando los
i
o son estadsticamente iguales a
cero y los
i
o estadsticamente distintos de cero
3. Retroalimentacin o causalidad bilateral: cuando los
i
o ,
i
| ,
i
y
i
o son
estadsticamente distintos de cero.
4. Independencia: cuando el conjunto de coeficientes no es significativo.

701
Para aplicar el test se debe, en Eviews, abrir un grupo para las variables PIB y
Consumo; luego en View-Granger Casuality se debe ingresar el nmero de
rezagos a considerar (Lags to include):

La salida del test muestra la prueba de causalidad de PBI a Consumo y de
Consumo a PIB. La hiptesis nula es que los coeficientes que acompaan a los
trminos rezagados de la variable explicativa se anulan.
En la primera lnea del test cuando dice PBI does not Granger Cause
CONSUMO quiere decir que el comportamiento del PBI no afecta las
variaciones de Consumo, por ende los coeficientes asociados a la variable
explicativa PBI se anulan. Esta es la hiptesis nula, la cual es rechazada.
En la segunda lnea se prueba la relacin inversa bajo la hiptesis nula de que
las variaciones en Consumo no determinan el nivel asumido por el PBI, por
ende los coeficientes que acompaan a la variable explicativa Consumo se
anulan. Esta hiptesis, al igual que la primera, se rechaza.

El resultado del test indica la presencia de retroalimentacin o causalidad
bilateral entre las dos variables.


702
Tambin puede observarse el correlograma cruzado de las dos variables (Cross
Correlogram of CONSUMO and PIB) que se obtiene abriendo un grupo para
Consumo y PIB, haciendo en View-Cross correlation. En la grfica, las barras
que salen de las bandas de confianza alcanzan al cuarto rezago.



Estos resultados, la Prueba de Ganger con 4 rezagos y el correlograma,
sugieren que el modelo a considerar es:
t t t t t t t
PIB PIB PIB PIB PIB Consumo | | | | | o + + + + + + =
4 4 3 3 2 2 1 1 0

Se supone que los
i
| pueden aproximarse por un polinomio de segundo grado
2
2 1 0
i a i a a
i
+ + = |


Estimacin del Modelo de rezagos distribuidos de Almon
El modelo a estimar por variables instrumentales es:
t t t t t
Z a Z a Z a Consumo o + + + + =
2 2 1 1 0 0


En Eviews deben construirse las variables Z

=

+ + + + = =
4
0
4 3 2 1 0
i
t t t t t i t t
X X X X X X Z

703

=

+ + + = =
4
0
4 3 2 1 1
4 3 2
i
t t t t i t t
X X X X iX Z

=

+ + + = =
4
0
4
2
3
2
2
2
1
2
2
4 3 2
i
t t t t i t t
X X X X X i Z
a partir del comando Genr se construyen las variables
Z0=pib+pib(-1)+pib(-2)+pib(-3)+pib(-4)
Z1=pib(-1)+2*pib(-2)+3*pib(-3)+4*pib(-4)
Z2=pib(-1)+2*2*pib(-2)+3*3*pib(-3)+4*4*pib(-4)

La estimacin en Eviews se realiza desde Quick-Estimate Equation consignado
en el cuadro de dilogo la expresin
consumo c Z0 Z1 Z2

Los coeficientes corresponden a
2 1 0
, , , a a a o ; para hallar el valor de
4 3 2 1 0
, , , , | | | | | debe utilizarse la expresin
2
2 1 0
i a i a a
i
+ + = |

0.464424 0 0 0
0 0
2
2 1 0 0
= = + + = = a a a a i

| |
1788 0
0.061411 0.347033 - 0.464424 1 1 1
2 1 0 1
2
2 1 0 1
,

=
+ = + + = + + = = a a a a a a i | |

016 0
4 * 0.061411 2 * 0.347033 - 0.464424
4 2 2 2 2
2 1 0 2
2
2 1 0 2
,

=
+ =
= + + = + + = = a a a a a a i | |

02397 0
9 * 0.061411 3 * 0.347033 - 0.464424
9 3 3 3 3
2 1 0 3
2
2 1 0 3
,

=
+ =
+ + = + + = = a a a a a a i | |

05887 0
16 * 0.061411 4 * 0.347033 - 0.464424
16 4 4 4 4
2 1 0 4
2
2 1 0 4
,

=
+ =
+ + = + + = = a a a a a a i | |



704

Reconstruyendo la ecuacin consumo
4 3
2 1
05887 . 0 02397 . 0
01600 . 0 17880 . 0 46442 . 0 3686572


+
+ + + =
t t
t t t t
PIB PIB
PIB PIB PIB Consumo

Los errores estndar de los estimadores
|
s se calculan haciendo

= <
+
+ = + + + + =
m
j
p j
p j
p j
j
j m
m i
a a i a i i a i a i a a Var
0
2 2
2 1 0
2 ) cov( ) var( ) var( )

( |
A partir de la informacin contenida en la matriz de covarianzas de los
coeficientes a

705


Y teniendo en cuenta que
2
2 1 0
i a i a a
i
+ + = | , el clculo de los desvos ser
03446738 0 001188 0
001188 0 0 0 0
0 0
0
2
2 1 0 0
, ,
, ) var( ) var( )

(

= = =
= = + + = =
a
s s
a a a a Var i
|
|


( )
( )
01752142 0 000307 0
000307 0 000529 0 000268 0 001386 0 2
000132 0 002281 0 001188 0
1 1 1 2
1 1 1
1 1 1
1
2 1
2 1
2 0
2 0
1 0
1 0
2
2 2
1
1 2
0
0 2
2
2 1 0 1
, ,
, ) , , ,
, , ,
) cov( ) cov( ) cov(
) var( ) var( ) var(
) var( )

* * *
= =
= + +
+ + =
+ + +
+ + =
+ + = =
+ + +
|
|
s
a a a a a a
a a a
a a a Var i

( )
( )
02366 0 00056 0
00056 0 000529 0 8 000268 0 4 001386 0 2 2
000132 0 16 002281 0 4 001188 0
2 2 2 2
2 2 2
2 2 2
2
2 1
2 1
2 0
2 0
1 0
1 0
2
2 2
1
1 2
0
0 2
2
2 1 0 2
, ,
, ) , * , * ) , ( *
, * , * ,
) cov( ) cov( ) cov(
) var( ) var( ) var(
) var( )

* * *
= =
= + +
+ + =
+ + +
+ + =
+ + = =
+ + +
|
|
s
a a a a a a
a a a
a a a Var i



706
( )
( )
01873 0 000351 0
000351 0 000529 0 27 000268 0 9 001386 0 3 2
000132 0 81 002281 0 9 001188 0
3 3 3 2
3 3 3
3 3 3
3
2 1
2 1
2 0
2 0
1 0
1 0
2
2 2
1
1 2
0
0 2
2
2 1 0 3
, ,
, ) , * , * ) , ( *
, * , * ,
) cov( ) cov( ) cov(
) var( ) var( ) var(
) var( )

* * *
= =
= + +
+ + =
+ + +
+ + =
+ + = =
+ + +
|
|
s
a a a a a a
a a a
a a a Var i


( )
( )
03538 0 001252 0
001252 0 000529 0 64 000268 0 16 001386 0 4 2
000132 0 256 002281 0 16 001188 0
4 4 4 2
4 4 4
4 4 4
3
2 1
2 1
2 0
2 0
1 0
1 0
2
2 2
1
1 2
0
0 2
2
2 1 0 4
, ,
, ) , * , * ) , ( *
, * , * ,
) cov( ) cov( ) cov(
) var( ) var( ) var(
) var( )

* * *
= =
= + +
+ + =
+ + +
+ + =
+ + = =
+ + +
|
|
s
a a a a a a
a a a
a a a Var i



Estimacin del Modelo de Almon en Eviews
A continuacin se describe cmo solicitar a Eviews la estimacin de un
polinomio de rezagos distribuidos (pdl), donde cada pdl equivale a una variable
instrumental construida con un procedimiento de clculo distinto al de Almon
pero que arroja los mismos coeficientes de los trminos rezagados.

Para un modelo del tipo
t k t k t t t t
X X X w Y c | | | o + + + + + =


1 1 0
(1)
Se construye un polinomio de orden p para los
p
p j
j j j ) ( ) ( ) (
1
2
3 2 1
o o o | + + + + =
+
, k j 3 , 2 , 1 , 0 = (2)

o es una constante dada por



=
impar es k si k
par es k si k
2 / ) 1 (
2 /
o (3)


707
La constante o no afecta la estimacin de | , es incluida solamente para
esquivar problemas numricos que pueden presentarse desde la colineariedad.
La especificacin del modelo con k rezagos de X solo debe contener p
parmetros. Se debe cumplir la restriccin k p < , caso contrario reporta matriz
singular.

Al especificar PDL, Eviews sustituye 2 en 1, de modo que
( )
( )
( )
t k t
p
p
t
p
p
t
p
p t t
X k k k
X
X w Y
c o o o
o o o
o o o o
+ + + + +
+ + + + + +
+ + + + + + =
+
+
+
) ( ) ( ) (
) 1 ( ) 1 ( ) 1 (
) 0 ( ) 0 ( ) 0 (
1
2
3 2 1
1 1
2
3 2 1
1
2
3 2 1




Eliminando parntesis
t k t
p
p k t k t k t
t
p
p t t t
t
p
p t t t t t
X k X k X k X
X X X X
X X X X w Y
c o o o
o o o
o o o o
+ + + + +
+ + + + + +
+ + + + + + =
+
+
+
) ( ) ( ) (
) 1 ( ) 1 ( ) 1 (
) 0 ( ) 0 ( ) 0 (
1
2
3 2 1
1 1 1
2
3 1 2 1 1
1
2
3 2 1



Agrupando trminos
( )
( )
( )
( )
t k t
p
t
p
t
p
p
k t t t
k t t t
k t t t t t
X k X X
X k X X
X k X X
X X X w Y
c o o o
o o o
o o o
o
+ + + + +
+
+ + + +
+ + + +
+ + + + =
+



) ( ) 1 ( ) 0 (
) ( ) 1 ( ) 0 (
) ( ) 1 ( ) 0 (
1 1
2
1
2 2
3
1 2
1 1




El modelo con variables instrumentales se especifica:

t t p p t t t t
Z Z Z Z Y c o + + + + + + =
+ + ) ( 1 1 3 3 2 2 1 1
(4)
donde

708
k t
p
t
p
t
p
t p
k t t t t
k t t t t
k t t t t
X k X X Z
X k X X Z
X k X X Z
X X X Z
+



+ + + =
+ + + =
+ + + =
+ + + =
) ( ) ( ) (
) ( ) ( ) (
) ( ) ( ) (
) (
o o o
o o o
o o o

1 1
2
1
2 2
3
1 2
1 1
1 0
1 0
1 0


Estimar desde 4, permite calcular los | y sus errores a partir de la relacin
2. Este procedimiento es sencillo a partir de que es una transformacin
lineal de | .


La especificacin del polinomio de rezagos distribuidos tiene 3 elementos
Longitud del rezago k
El grado del polinomio p
Restricciones que se quieran emplear


La estimacin en Eviews se realiza desde Quick-Estimate Equation consignado
en el cuadro de dilogo la expresin
consumo c pdl(pib,4,2)

Es decir, variable dependiente ordenada al origen pdl trminos; este ltimo
es la sentencia para que el sistema interprete que
debe rezagar trminos de la variable explicativa pib,
que la cantidad de rezagos tienen que ser 4,
que el grado del polinomio a considerar es 2.


El soft proveer los siguientes resultados

709



Reemplazando los coeficientes de
it
PDL en el polinomio de
i
| , se obtienen los
valores de los coeficientes del PIB.

061411 . 0
101388 . 0
016004 . 0
3
2
1
=
=
=

2 4 = = o K (Por lo expresado en 3)
Con esta informacin y dado que se ha definido un polinomio de segundo
grado para
j
| ,
2
3 2 1
) ( ) ( o o | + + = j j
j

el clculo se realiza de la siguiente manera:


710
464424 0
4 061411 0 2 101388 0 016004 0
2 0 2 0 0
2
3 2 1 0
.
* . * . .
) ( ) (

=
+ + =
+ + = = | j

178803 0
1 061411 0 1 101388 0 016004 0
2 1 2 1 1
2
3 2 1 1
.
* . * . .
) ( ) (

=
+ + =
+ + = = | j

016004 0
2 2 2 2 2
2
3 2 1 2
.
) ( ) (

=
+ + = = | j

023973 0
1 061411 0 1 101388 0 016004 0
2 3 2 3 3
2
3 2 1 3
.
* . * . .
) ( ) (

=
+ =
+ + = = | j

058872 0
4 061411 0 2 101388 0 016004 0
2 4 2 4 4
2
3 2 1 4
.
* . * . .
) ( ) (

=
+ =
+ + = = | j


4 3
2 1
058872 0 023973 0
016004 0 178803 0 464424 0 3686572


+
+ + + =
t t
t t t t
PIB PIB
PIB PIB PIB Consumo
. .
. . .



El resultado coincide con los coeficientes que muestra Eviews bajo el ttulo
Lags Distribution of



Cmo proceder cuando el nmero de rezagos es impar? Se especifica el
siguiente modelo
t t t t t t t t
PIB PIB PIB PIB PIB PIB Consumo | | | | | | o + + + + + + + =
5 5 4 4 3 3 2 2 1 1 0


En Eviews se indica de la siguiente manera
consumo c pdl(pib,5,2)
y la estimacin es:


711




Los coeficientes de
it
PDL

036707 . 0
120499 . 0
058942 . 0
3
2
1
=
=
=

2
2
1
5 =

= =
k
K o (por lo expresado en 3)


Deben reemplazarse en el polinomio de
i
| , (
2
3 2 1
) ( ) ( o o | + + = j j
j
) para
obtener los valores de los coeficientes del PIB.

712

446768 0
4 036707 0 2 120499 0 058942 0
2 0 2 0 0
2
3 2 1 0
.
* . * . .
) ( ) (

=
+ + =
+ + = = | j

216148 0
036707 0 120499 0 058942 0
2 1 2 1 1
2
3 2 1 1
.
. . .
) ( ) (

=
+ + =
+ + = = | j

058942 0
2 2 2 2 2
2
3 2 1 2
.
) ( ) (

=
+ + = = | j

02485 0
036707 0 120499 0 058942 0
2 3 2 3 3
2
3 2 1 3
.
. . .
) ( ) (

=
+ =
+ + = = | j

035228 0
4 036707 0 2 120499 0 058942 0
2 4 2 4 4
2
3 2 1 4
.
* . * . .
) ( ) (

=
+ =
+ + = = | j

027808 0
9 036707 0 3 120499 0 058942 0
2 5 2 5 5
2
3 2 1 5
.
* . * . .
) ( ) (

=
+ =
+ + = = | j


5 4 3
2 1
027808 0 035228 0 02485 0
058942 0 216148 0 446768 0 -2764189


+
+ + + =
t t t
t t t t
PIB PIB PIB
PIB PIB PIB Consumo
. . .
. . .



BIBLIOGRAFIA
Chiang, A. (2006) Mtodos fundamentales de economa matemtica.
McGraw Hill.
Gujarati, D. (2004) "Econometra". 4Edicin. Mc.Graw Hill. Mxico.
Perez, C. (2008). Econometra Avanzada. Tcnicas y Herramientas. Pearson-
Prentice Hall. Espaa.
Quantitative Micro Software (2007). EViews 6 Users Guide. USA.