Está en la página 1de 31

i

maestro_EyP_Revision001 2014/3/3 18:00 page 465 #485

Tema 14

Efectos Causales Dinmicos


14.1.

Introduccin

En este captulo tratamos el tema de los efectos causales que se extienden a lo largo del
tiempo, una cuestin prctica y relevante dentro del anlisis economtrico aplicado. Desde
otro punto de vista podemos decir que nos interesa conocer cmo se distribuye el efecto de
una causa a lo largo del tiempo. En economa se produce de manera casi natural que una
causa, digamos un cambio en el nivel de ingresos, produzca su correspondiente efecto despus
de que transcurra cierto tiempo; de modo que el efecto no se materializa de una sola vez, sino
que se distribuye a lo largo del tiempo. Por este motivo la literatura ha convenido en llamar
a este tipo de procesos modelos de retardos distribuidos, refirindose al hecho relevante del
que el efecto se prolonga a lo largo del tiempo, es decir, es como si el efecto de una causa
fuera dinmico. En todo caso, lo caracterstico es que es preciso que pase el tiempo para poder
observar los efectos totales (dinmicos) de una determinada causa econmica.
Los efectos simultneos, a difirencia de los efectos distribuidos a lo largo del tiempo,
son menos evidentes en las decisiones econmicas, ya sean stas las del consumidor o las del
empresario; ya sean stas de tipo microeconmico, o de tipo macroeconmico. Hay varios tipos
de motivos por los que los efectos se distribuyen a lo largo del tiempo: Hay retardos (efectos
cuasales dinmicos) en la respuesta motivados en razones tcnicas (pensemos simplemente
que el propio proceso productivo es inherentemente dinmico); hay retardos generados por
cuestiones propias del comportamiento del agente econmico (necesariamente hay un desfase
entre que el individuo recibe una informacin, y luego acta); otros retardos son producidos
como natural consecuencia de factores institucionales (los contratos, por ejemplo, establecen
ciertas rigideces en la inmediatez de pagos y cobros).
Lgicamente al modelizar economtricamente deberamos tener en consideracin, por lo
tanto, los efectos dinmicos de la variables consideradas, por ejemplo: la toma de decisiones
sobre consumo o inversin individuales que estn sujetos en buena medida a hbitos del consumidor o a la verosimilitud en la percepcin de cambios, o bien permanente o bien transitorios,
en variables econmicas relevantes (pensemos en el nivel de ingresos o precios, que afecta a
la toma de decisiones por parte de los agentes econmicos). Tambin hay aspectos de tipo
contractual por los que compromisos contrados no permiten cambiar instantneamente ante
465

i
i

maestro_EyP_Revision001 2014/3/3 18:00 page 466 #486

466

Efectos Causales Dinmicos

acontecimientos exteriores: es difcil que una empresa cambie con rapidez las condiciones de
produccin si se encarece desorbitadamente una de las materias primas, o si la competencia
explota una nueva tecnologa. El mero coste de la informacin: hay decisiones econmicas
para muchos tipos de bienes o servicios en las que informarse consume un tiempo. Pensemos en algunos sectores productivos realmente dinmicos, como por ejemplo el mercado de
tabletas electrnicas (tablets), que adems se corresponde con un bien semi-duradero. En
este tipo de sectores las decisiones de los agentes no son instantneas, mxime si por ejemplo
hay un escenario de presentacin al mercado de un modelo ms novedoso, lo que afecta a las
expectativas sobre el precios de las existentes.
Desde un punto vista ms cercano a la realizacin de predicciones de variables econmicas,
el contemplar otras variables que covaran a la largo del tiempo con la variable dependiente, eventualmente, nos podra dar mayor capacidad predictiva. En tales casos sera necesario
incluir otras variables que podemos denominar predictores adicionales. Ambos enfoques se
pueden tratar homogneamente si consideramos el marco analtico que exponemos a continuacin en este tema.

14.2.

Modelos de Retardos distribuidos (RD) y Modelos autoregresivos con retardos (ARD)

14.2.1.

Efectos dinmicos en el modelo de retardos distribuidos (RD)

En lnea con lo que hemos concluido en el apartado anterior, en la Seccin 13.11 introdujimos los modelos ARD para mejorar la calidad de la prediccin autorregresiva. En ese
tema el anlisis causal economtrico con un modelo autorregresivo no era evidente, de modo
que incorporbamos eventualmente variables predictoras Xktj para las que no exista una
interpretacin causal de sus coeficientes.
Una interpretacin causal de los coeficientes (que es lo que nos interesa fundamentalmente en este tema) del modelo de esperanza condicionada que est en lnea con la que hemos
realizado en las Partes I y II del libro, es decir, en trminos de un experimento aleatorizado controlado ideal (ver Seccin 12.2), no es posible fundamentalmente porque no sera
realizable dicho experimento. Por ejemplo, no podramos realizar un experimento sobre la
economa espaola en su conjunto porque no podramos tener una economa espaola paralela para tomarla como control. El concepto de experimento lo podramos aproximar, no
obstante, imaginando que sometemos a una misma entidad individual (un pas, por ejemplo)
a distintos niveles de tratamiento (variaciones aleatorias no previstas de los tipos de inters)
en diferentes momentos del tiempo. En este caso, la misma entidad individual es el grupo
de control y de tratamiento, y por tanto lo que podramos aspirar sera a estimar la senda
temporal de los efectos del tratamiento sobre las variables de inters. Esta senda temporal se
puede interpretar como el efecto causal dinmico, que es especialmente til cuando tenemos
inters en conocer las consecuencias que una determinada accin o circunstancia tiene a lo
largo del tiempo sobre la variable dependiente.
Los efectos dinmicos suceden en el tiempo y esto hace necesario que el modelo econom-

i
i

maestro_EyP_Revision001 2014/3/3 18:00 page 467 #487

Tema 14

467

trico que utilicemos para estimar efectos causales dinmicos incorpore retardos. El modelo
Yt = 0 + 1 Xt + 2 Xt1 + ... + k+1 Xtk + t ,

(14.2.1)

lo hace, ya que relaciona Yt con la variable explicativa Xt y sus retardos. Este modelo se
conoce como modelo de retardos distribuidos.
El coeficiente 1 es el efecto contemporneo de una variacin unitaria en Xt sobre Yt . El
coeficiente de Xt1 , es el efecto sobre Yt de una variacin unitaria en Xt1 o, equivalentemente,
el efecto sobre Yt+1 de una variacin de Xt . En general, el coeficiente Xtk es el efecto de
una variacin unitaria en X sobre Y en k periodos hacia adelante. Por tanto el efecto causal
dinmico es el efecto de una variacin unitaria en Xt sobre Yt , Yt+1 , .., Yt+k , y queda recogido
en la sucesin de coeficientes 1 , 2 , ..., k+1 .
La ecuacin (14.2.1) nos permite calcular tericamente los efectos causales en un caso de
un cambio transitorio en la variable X y en el caso de un cambio permanente. Para verlo,
consideremos que inicialmente Xt = X es una constante y que en el momento t vara en una
unidad, X + 1, pasando de nuevo al estado constante, X, en t + 1 y sucesivos periodos. Para
entender bsicamente la dinmica, consideremos momentneamente que los errores poblacionales son nulos (obviamente esto es una simplificacin que posteriormente eliminaremos),
entonces tendramos:
Yt1 = 0 + 1 X + 2 X + ... + k+1 X
Yt = 0 + 1 (X + 1) + 2 X + ... + k+1 X
Yt+1 = 0 + 1 X + 2 (X + 1) + ... + k+1 X
..

..

..

Yt+k = 0 + 1 X + 2 X + ... + k+1 (X + 1)


Yt+k+1 = 0 + 1 X + 2 X + ... + k+1 X,
de manera que el cambio en Y producido a causa de variacin unitaria en X en el momento
t lo podramos calcular fcilmente:
Yt Yt1 = 1 .
Igualmente, el cambio en Y un periodo despus del cambio sera
Yt+1 Yt1 = 2 ,
y por tanto el cambio en Y tras k periodos despus del cambio producido en t sera
Yt+k Yt1 = k+1 .
A partir del siguiente periodo, es decir, en el perido k + 1 los efectos habran desaparecido,
Yt+k+1 Yt1 = 0. A cada uno de estos efectos generados por una variacin unitaria en X sobre
Y tras k periodos se les denomina multiplicador dinmico del periodo k correspondiente.
El grfico de los retardos frente a los distintos coeficientes, multiplicadores dinmicos, nos

i
i

maestro_EyP_Revision001 2014/3/3 18:00 page 468 #488

468

Efectos Causales Dinmicos

dara una visin de cmo se distribuye el efecto causal esperado sobre Y ante una variacin
en el periodo t de X.
Alternativamente, si el cambio que se produce en el momento t es de carcter permanente,
entonces tendramos
Yt1 = 0 + 1 X + 2 X + ... + k+1 X
Yt = 0 + 1 (X + 1) + 2 X + ... + k+1 X
Yt+1 = 0 + 1 (X + 1) + 2 (X + 1) + ... + k+1 X
..

..

..

Yt+k = 0 + 1 (X + 1) + 2 (X + 1) + ... + k+1 (X + 1) .


Ahora, despus de un periodo desde el cambio, la variable Y ha variado
Yt+1 Yt = 1 + 2 ;
tras k periodos desde el cambio, la variable habr cambiado
Yt+k Yt1 = 1 + 2 + ... + k+1 =

k+1
X

i ,

i=1

que se denomina multiplicador dinmico acumulativo de largo plazo. Este multiplicador


puede utilizarse conjuntamente con el multiplicador dinmico, y conformar un multiplicador
dinmico estandarizado:

P1 ,
i
que nos indica la proporcin de variacin total imputable a primer periodo. Igualmente las
sumas de sucesivos multiplicadores estadarizados nos informaran de la proporcin del impacto
de largo plazo imputable a un nmero consecutivo de periodos.
Un problema habitual con este tipo de modelos es que es necesario establecer un retardo,
k, de truncamiento a partir del cual los efectos se diluyen. En la gran mayoria de ocasiones
el usuario no tiene mucha informacin sobre cmo determinar dicho truncamiento, si bien es
cierto que existen algunas tcnicas disponibles para asesorar dicha decisin. Alternativamente,
puede ser ms coherente asumir que el truncamiento se desconoce por lo que el modelo a priori
sera del tipo siguiente
Yt = 0 + 1 Xt + 2 Xt1 + 3 Xt3 + ... + t ,

(14.2.2)

si bien es necesario que los coeficientes de los retardos, k , deberan tender a cero cuando
k , es decir el impacto de Xtk sobre Yt debe ser menor cuando k se aleja en el tiempo,
hasta el punto de que deje tener efectos. Al fin y al cabo en la mayora de las aplicaciones
econmicas, la contribucin de una variacin a da hoy sobre una variable Y dentro varios
periodos (tantos como queramos) tendr efectos inapreciables o mucho menores que los que
tiene en peridos ms cercanos en el tiempo.

i
i

maestro_EyP_Revision001 2014/3/3 18:00 page 469 #489

Tema 14

469

La interpretacin de los coeficientes de la ecuacin (14.2.2) en trminos de multiplicadores


dinmicos y multiplicadores dinmicos acumulados de largo plazo sigue siendo vlida. Como veremos posteriormente las tcnicas y restricciones para estimar los modelos (14.2.1) y
(14.2.2), as como los supuestos sobre la relacin entre los errores y las variables regresoras sern diferentes. En particular, para que esta interpretacin sea rigurosa es preciso que la X no
est correlacionada con el trmino error. Veremos que esta cuestin relativa a la exogeneidad
juega un papel relevante para la estimacin y la inferencia.

14.2.2.

Modelos de retardos distribuidos y el modelo autorregresivo de


retardos distribuidos (ARD)

La existencia de autocorrelacin en el error poblacional es algo intrnseco a los modelos


con series temporales: los factores omitidos en el modelo, ya sea (14.2.1) (14.2.2), estn
recogidos en el error, y estos factores es muy probable que estn autocorrelacionados consigo
mismos. Obviamente esto tendr sus consecuencias a la hora de realizar inferencia sobre los
parmetros del modelo, que por otra parte MCO puede estimar consistente e insegadamente.
Sin embargo, queremos llamar la atencin sobre el hecho de que considerar autocorrelacin
en el modelo nos conduce a considerar de manera natural modelos del tipo ARD.
Los modelos ARD no son nuevos para el lector, de hecho hemos visto en el modelo de regresin con series temporales con varios predictores (ver seccin 13.11) que, de cara a mejorar
la prediccin, un tipo de modelo competitivo es el que incorpora varios predictores aparte
de los valores retardados de la variable de inters: modelo autorregresivo de retardos
distribuidos (ARD).
En trminos generales el modelo ARD(p,q) es
Yt = 0 + 1 Yt1 + 2 Yt2 + ... + p Ytp + 1 Xt + 2 Xt1 + ... + k+1 Xtk + t

(14.2.3)

que es prcticamente semejante al modelo (13.11.1), donde hicimos una serie de supuestos
sobre el modelo a fin de interpretar y estimar correctamente los coeficientes. Veremos que
estos supuestos son equivalentes a los que haremos en este tema con ciertas salvedades.
Consideremos ahora la autocorrelacin dentro de un modelo RD. A partir de un modelo
del tipo (14.2.1) con un error serialmente correlacionado usamos dicho modelo para obtener
algunos estimadores:
Yt = 0 + 1 Xt + 2 Xt1 + ... + k+1 Xtk + t ,

(14.2.4)

t = 1 t1 + ... + p tp + t ,
con t no correlacionado con t . Si por ejemplo p = 1 y desarrollamos la diferencia
Yt 1 Yt1 = 0 + 1 Xt + 2 Xt1 + ... + k+1 Xtk + t
1 (0 + 1 Xt1 + 2 Xt2 + ... + k+1 Xtk1 + t1 )
= 0 + 1 Xt + 2 Xt1 + ... + k+1 Xtk
1 0 1 1 Xt1 1 2 Xt2 ... 1 k+1 Xtk1 + t (14.2.5)
= 0 1 0 + 1 Xt + (2 Xt1 1 1 Xt1 )
+... + (k+1 Xtk 1 k Xtk ) + 1 k+1 Xtk1 + t .

i
i

maestro_EyP_Revision001 2014/3/3 18:00 page 470 #490

470

Efectos Causales Dinmicos

Por tanto
Yt = 0 + 1 Yt1 + 0 Xt + 1 Xt1 + ... + k Xtk + k+1 Xtk1 + t ,

(14.2.6)

donde 0 = 0 (1 1 ), 0 = 0 , 1 = 2 1 1 , k = k+1 1 k y k+1 = 1 k+1 .


La ecuacin (14.2.6) muestra que al considerar un simple proceso autorregresivo de orden
1 en el error, surge un modelo ARD(1, k+1). Por este motivo, a dicha ecuacin se denomina
representacin ARD del modelo de retardos distribuidos con errores autorregresivos. La ecuacin nos permite ver que al incluir como regresores el retardo de Y y un retardo adicional de
X, entonces el trmino error est serialmente incorrelacionado, y por tanto se pueden utilizar
los estimadores MCO habituales, sin necesidad de preocuparse de los efectos que genera la
autocorrelacin.
De forma equivalente, la ecuacin (14.2.4) se puede reescribir de otro modo familiar y
tambin til. Consideremos, la expresin (14.2.5) y reagrupemos los trminos sacando a los
coeficientes j como factores comunes. Es decir, j (Xtj j Xtj ) para los diferentes j
considerados. Si simplemente definimos las variables en causi-diferencias Yt = Yt 1 Yt1 y
t = Xt 1 Xt1 , X
t1 = Xt1 1 Xt2 , etctera, se obtiene
X
tk + t ,
t + 2 X
t1 + ... + k+1 X
Yt = 0 + 1 X

(14.2.7)

donde lgicamente los errores son los mismos que los anteriores y, por tanto, no estn tampoco
correlacionados serialmente.
En el siguiente apartado trataremos los supuestos que hacen posible estimaciones correctas
de los coeficientes de los parmetros as como los que garantizan una correcta inferencia y
construccin de intervalos de confianza para dichos coeficientes.

14.3.

Supuestos de los modelos de retardos distribuidos

En los apartados precedentes ha quedado de manifiesto que nos interesa ser capaces de
medir el efecto causal dinmico. Como hemos dicho, una forma interesante y operativa de
entender el concepto de experimento con series temporales es considerar que a un mismo
sujeto lo somentemos a distintos niveles de tratamiento a lo largo del tiempo. Por ejemplo,
un experimiento consistira en someter a la Unin Europea (UE) a diferentes actuaciones por
parte del Banco Central Europeo (BCE) respecto a los tipos de inters. Ahora el sujeto es
la UE y es siempre el mismo, y por tanto hace las veces de grupo de control y de grupo de
tratamiento. El tratamiento es justamente los momentos temporales cuando el BCE vara de
repente los tipos de inters de referencia, mientras que el control es la UE cuando el BCE no
modifica el tipo. Si registramos la evolucin del PIB de la UE tras una variacin de los tipos,
podemos visualizar cul es el efecto que tiene la variacin de los tipos a lo largo del tiempo
sobre la produccin. Obviamente, esperaramos que no hubiera reaccin simultnea, sino que
la reaccin se desarrollara a lo largo del los sucesivos trimestres y en algn momento dejara
de tener efectos causales, situando a la economa de la UE en un nuevo equilibrio.
Justamente esos efectos dinmicos los podramos capturar con los modelos de retardos
distribuidos de la seccin anterior. Para ello sera, inicialmente, imprescidindible que el efecto

i
i

maestro_EyP_Revision001 2014/3/3 18:00 page 471 #491

Tema 14

471

causal que estamos intentando capturar no variara a lo largo del tiempo sobre la muestra de
la que tenemos los datos. Es decir, tiene que haber una estabilidad en el modelo poblacional, de lo contrario al estimar estaramos capturando cualquier otra cosa. Esta estabilidad
poblacional queda garantizada con el supuesto habitual de estacionariedad conjunta de los
datos. La segunda condicin, que es necesaria para poder capturar eventualmente el efecto
causal dinmico, es que la X no debe estar correlacionada con el error, es decir, la X debe
ser exgena. Sin embargo, el hecho de que estemos tratando con series temporales hace que
haya que matizar un poco ms sobre la exogeneidad, tal y como ya anticipamos en el Tema
4 cuando presentamos el concepto de exogeneidad.
Consideramos entonces dos tipos de exogeneidad:
Exogeneidad estricta (pasado, presente y futuro)
E (t |..., Xt+2 , Xt+1 , Xt , Xt1 , Xt2 , ... ) = 0,
Exogeneidad (pasado y presente)
E (t |Xt , Xt1 , Xt2 , ... ) = 0.
La exogeneidad estricta ya la presentamos en la expresin (4.1.6). La diferencia entre una y
otra es que la estricta incluye valores futuros de X en la esperanza condicionada, mientras que
esto no es as en la exogeneidad respecto del pasado y presente. En el primer caso se asume
que t no puede estar correlacionado con los valores actuales, pasados y futuros de la variable
X. Es decir bajo este tipo de supuesto, el modelo debe de ser tericamente compatible con
una situacin en la que t , que incorpora los otros determinantes de Yt que son distintos de X,
no est relacionada con los valores que X tome en el futuro. Proponemos un par de ejemplos
para ilustrar este tipo de situaciones que son ms comunes de lo que a priori uno podra
considerar.
Como primer ejemplo consideremos que estamos interesados en elaborar un modelo de
corte microeconmico que explique la produccin de pimientos en una plantacin. Para ello
consideramos que la cantidad producida y disponible depende de las semillas plantadas, del
nmero de trabajadores-recolectores, de la cantidad de tractores disponibles para el transporte
desde el campo, de la condiciones meteorolgicas, y de otras posibles variables que estarn
recogidas en el trmino error, t , y que afectan a la produccin de pimientos, como pueden ser
por ejemplo, la infeccin de la plantacin por un virus, un embargo por parte de un pas, y
otras cualesquiera posibles. De las variables que no estn en el error tenemos observaciones en
forma de serie temporal. Son las variables regresoras estrictamente exgenas en este modelo?
La variable condiciones meteorologicas podemos considerarla como estrictamente exgena, pues difcilmente el tiempo atmosfrico est relacionado con las otras variables incluidas
en t . El valor que en el futuro tomen estas otras variables (por embargos, virus, etc) no es
previsible que se vea afectado por condiciones meteorolgicas actuales (temperatura y lluvias,
principalmente). Hagamos este mismo anlisis para la variable semillas. La cantidad de semilla utilizada en la plantacin este ao es esperable que no est correlacionada con los shocks
o perturbaciones a las que este mismo ao se ver expuesta la plantacin. Pero podemos

i
i

maestro_EyP_Revision001 2014/3/3 18:00 page 472 #492

472

Efectos Causales Dinmicos

decir lo mismo con respecto de las perturbaciones de aos futuros? En realidad no podemos
decirlo porque la cantidad de semillas disponibles para la prxima temporada es factible que
dependa de la cantidad producida en la actual temporada, y esta cantidad que depende de
las perturbaciones t del periodo en curso. Es decir, E (t |semillast+1 ) 6= 0. Eso hace que la
variable semillas no sea estrctamente exgena.
El segundo ejemplo es de corte macroeconmico. Pensemos de nuevo en las medidas de
poltica monetaria que implementa el BCE. El BCE tiene unos objetivos declarados de control
de la inflacin, y para ello el BCE cuenta con la herramienta econmica de actuar discrecionalmente sobre los tipos de inters a corto. En tal caso sera muy interesante para la toma de
decisiones sobre los tipos estudiar el efecto causal dinmico sobre la inflacin provocado por
una variacin del tipo de inters.
El BCE para tomar la decisin sobre los tipos evala el estado actual y futuro de la
economa europea, para ello tiene en consideracin otras variables econmicas que le ayuden
a explicar la evolucin de la inflacin, as como a estimar el valor esperado de la inflacin
futura en la zona Euro. Simultneamente, la teora macroeconmica nos indica que la inflacin
depende inversamente del tipo de inters al alterar la demanda agregada.
En una regresin de inflacin sobre tipos a corto, sabemos por una parte que hay una
serie de variables, que junto con el tipo de inters (pero distintas) afectan a la inflacin (estas
variables estaran en t ). Por otra parte pero simultneamente, sabemos que al tratarse de
una variable de poltica monetaria, el tipo de inters fijado depender de la inflacin actual,
de sus valores pasados y de la previsin de inflacin en el momento actual (t) sobre el futuro
(esperado) de la misma. Esta bidirecionalidad se traduce, por ejemplo, en que si el BCE prev
que va a haber un repunte de la inflacin, entonces el BCE ajustar los tipos al alza, haciendo
justamente que los tipos de inters se determinen endgenamente, y por tanto esto nos lleva a
considerar que el modelo planteado no es compatible con el supuesto de exogeneidad estricta
(E (t |interest+1 ) 6= 0).
Estos ejemplos ilustran que es preciso reflexionar sobre la exogeneidad de las variables
explicativas dentro de un modelo de regresin. Es ms, en el caso de series temporales matizamos entre exogeneidad y exogeneidad estricta. El motivo de hacer esta diferencia, como
veremos seguidamente, es que en funcin de si es aplicable uno u otro supuesto, las tcnicas
de estimacin varan.
Los supuestos del modelo de retardos distribuidos1 (RD) son los siguientes:

El modelo de retardos distribuidos es fcilmente ampliable a casos en los que deseemos incorporar un
mayor nmero de regresores Xs.

i
i

maestro_EyP_Revision001 2014/3/3 18:00 page 473 #493

Tema 14

473

Modelo de retardos distribuidos

Yt = 0 + 1 Xt + 2 Xt1 + ... + k+1 Xtk + t ,


donde se mantienen estos supuestos:
1. X es exgena (pasado y presente): E (t |Xt , Xt1 , Xt2 , ... ) = 0.
2. Las variables aleatorias Yt , Xt presentan una distribucin estacionaria.
3. (Yt , Xt ) y (Ytj , Xtj ) se hacen independientes a medida que j aumenta.
4. Los valores extremos de Yt , Xt son poco probables: tienen momentos
de orden ocho finitos y distintos de cero.
5. No existe multicolinealidad perfecta.
La interpretacin de estos cinco supuestos es la siguiente, y la hacemos en relacin con
supuesto del modelo clsico de regresin (ver y leer en relacin a lo expuesto en la Seccin
6.1). El primer supuesto ya lo hemos explicado anteriormente, no obstante incidimos ahora
en un aspecto adicional. La esperanza condicionada nula implica que el mejor predictor es el
que propiamente indica el modelo de regresin planteado, con sus correpondientes retardos
y no otros. Si comparamos los supuestos 2 y 3 con la expresin (4.1.7) y especialmente con
la versin adaptada para series temporales (ver suposicin 3), podemos comprobar que se
requiere que la distribucin conjunta de las variables, incluyendo retardos, no cambie con el
tiempo, y adems que las variables tiendan a comportarse como si fueran independientemente
distribuidas cuando estn bastante separadas en el tiempo. A este supuesto tambin se le
denomina dependencia dbil. El cuarto supuesto obviamente es ms fuerte que su contrapartida
de la Seccin 6.1. Es necesario hacer el supuesto de esta manera porque se trata de un requisito
que garantiza la consistencia2 del estimador de la varianza de los coeficientes cuando utilizamos
errores estndar tipo HAC, segn los definimos en la Seccin 6.2.2. Por ltimo, el quinto
supuesto es similare a sus homlogos de seccin cruzada y series temporales, por lo que no
requiere explicacin adicional a la entonces presentada.
Es interesante observar que en los supuestos anteriores del modelo de retardos distribuidos,
no aparece el requisito de ausencia de autocorrelacin en el trmino t . En estos modelos,
efectivamente, el error puede estar correlacionado con sus valores retardados, algo que por
otra parte es la regla (ms que la excepcin) con los modelos economtricos que utilizan series
temporales, bsicamente porque los factores omitidos es fcil que estn por s solos serialmente
correlacionados.
Veamos ahora cmo afectan estos supuestos a los modelos comentados en la seccin precedente. La ecuacin (14.2.7) representa un modelo de retardos distribuidos que incluye las
2

Sin embargo esta demostracin tcnica no se desarrolla en este libro. El lector interesado puede consultarla
en Andrews (1991).

i
i

maestro_EyP_Revision001 2014/3/3 18:00 page 474 #494

474

Efectos Causales Dinmicos

variables cuasi diferenciadas y por tanto satisface los supuestos indicados en el recuadro anterior. Recordemos que el modelo (14.2.7) es equivalente a la expresin del modelo (14.2.4).
(presente y pasada) requiere que:
En particular, el supuesto de exogeneidad de X



E t X
t , Xt1 , Xt2 , ... = 0.
t y a todos sus retardos es equivalente a condicionar a Xt , y a todos
Condicionar a X
t = Xt 1 Xt1 . As, la condicin de que X
es exgena, equivale a
sus retardos, pues X
E (
t |Xt , Xt1 , ... ) = 0, y dado que t 1 t1 = t , se tiene
E (t 1 t1 |Xt , Xt1 , ... ) = 0
E (t |Xt , Xt1 , ... ) 1 E (t1 |Xt , Xt1 , ... ) = 0,
que para que se satisfaga con independencia (para todo) 1 , es preciso que E (t |Xt , Xt1 , ... ) =
0 y E (t1 |Xt , Xt1 , ... ) = 0. Esta ltima condicin puede reescribirse del siguiente modo:
E (t |Xt+1 , Xt , Xt1 , ... ) = 0.

(14.3.1)

Si aplicamos la Ley de las Esperanzas Iteradas (ecuacin (2)), se tiene que la propia
expresin (14.3.1) implica a su vez E (t |Xt , Xt1 , ... ) = 0, por lo que las expresiones como



E t X
,
X
,
X
,
...
=0
t
t1
t2
y la ecuacin (14.3.1) son equivalentes. Esto nos permite comprobar que para que se satisfaga
la condicin (14.3.1) es necesario, sin embargo, que Xt sea estrictamente exgena, y no slo
exgena. Recordemos ahora que los modelos (14.2.4), junto con sus condicionantes paramtricos, y (14.2.5) son dos expresiones del mismo modelo. Por este motivo los requisitos para
poder estimar uno y otro deben ser iguales, por lo que si para estimar por MCO el modelo
en cuasi diferencias es necesaria la condicin de exogeneidad estricta contenida en (14.3.1),
tambin lo ser para estimar un modelo ARD del tipo (14.2.4).

14.4.

Estimacin de los modelos

El objetivo ltimo es estimar, realizar inferencias de los multiplicadores dinmicos causales,


y, en su caso, utilizarlos para realizar predicciones. Dados los supuestos de la seccin anterior
podemos ahora analizar cundo es posible utilizar la estimacin MCO, qu limitaciones tiene
y evaluar la existencia de otros estimadores ms eficientes.
El modelo de retardos distribuidos (RD), dados los supuestos enunciados, se puede estimar
por MCO. El supuesto de exogeneidad (pasada y presente), junto con los supestos 2 y 3,
garantizan la consistencia de los estimadores MCO de los coeficientes del modelo de RD.
Como ya hemos anticipado los supuestos del modelo permiten que tengamos autocorrelacin
en el error. En el Tema 4 se explic que la autocorrelacin no afecta a la consistencia de
los estimadores de los coeficientes estimados por MCO, afectando sin embargo a los errores
estndar. De hecho los errores estndar calculados por MCO sern inconsistentes, y la forma

i
i

maestro_EyP_Revision001 2014/3/3 18:00 page 475 #495

Tema 14

475

de remediar este problema es utilizando los errores estndar HAC, que introdujimos varios
temas atrs. Por tanto, sern estos errores los que usaremos para evitar realizar inferencias
estadsticas engaosas.
La estimacin MCO del modelo (14.2.1) nos permite, por tanto, obtener los estimadores
de los multiplicadores dinmicos; a partir de ellos podemos estimar el multiplicador dinmico
acumulativo o de largo plazo simplemente realizando la suma de los estimados. Sin embargo,
mientras que los errores estndar de los multiplicadores dinmicos (de impacto) los obtenemos
al usar errores estndar tipo HAC en la estimacin del modelo (14.2.1), no podemos, desde
ese mismo modelo, rescatar el error estndar del multiplicador de largo plazo.
Si estamos interesados en los multiplicadores acumulativos, afortunadamente, para obtenerlos bastara con reparametrizar el modelo de la siguiente manera:
Yt = 0 + 1 Xt + 2 Xt1 + 3 Xt2 + ... + r Xtr+1 + r+1 Xtk + t ,

(14.4.1)

donde 0 = 0 , 1 = 1 , 2 = 1 + 2 , 3 = 1 + 2 + 3 , k+1 = 1 + 2 + 3 + ... + k+1 ,


y por tanto estimar por MCO esta ecuacin permite estimar los multiplicadores dinmicos
acumulativos y sus respectivos errores estndar HAC.
La insesgadez, por su parte, es un tanto ms delicada. Cuando demostramos la insesgadez
de los estimadores MCO, se requera exogeneidad estricta, sin embargo podra ser posible
que el supuesto menos restrictivo de exogeneidad pasada y presente fuera suficiente ya que las
relaciones que plantea el modelo pueden ser tales que las variables explicativas no violen el supuesto de extricta exogeneidad. Sin embargo, el modelo que incorpore la variable dependiente
como explicativa, necesariamente violar el supuesto de exogeneidad estricta y por tanto la
estimacin ser sesgada si bien, como hemos dicho anteriormente, ser consistente.
El ejemplo ms claro y sencillo que tenemos para verlo es el modelo autorregresivo de
primer orden que ya presentamos en temas precedentes:
Yt = Yt1 + t , t = 1, 2, ..., T ;
modelo que conocemos como AR(1). Se pueden observar varias cuestiones relevantes. En este
caso particular, donde el nico regresor es la varible dependiente retardada, la condicin de
exogeneidad (pasada y presente) se satisface: E (t |Yt1 ) = 0. En cambio la exogeneidad
estricta (pasado, presente y futura) no se sostiene puesto que del propio modelo se tiene que
Yt es funcin de t , por tanto el error en el periodo t va a estar correlacionado con los valores
futuros de Y , Yt , Yt+1 , ..., YT , y por tanto la esperanza condicionada por estos valores presente
y futuros va a ser distinta de cero.
De acuerdo a la relacin entre ortogonalidad y exogeneidad (ver expresin (5.1.6)), se tiene
como conclusin de la observacin anterior que
E (Yt+j t ) 6= 0, j = 0, 1, 2...
para j = 0, resulta

E (Yt t ) = E ((Yt1 + t ) t ) = E (Yt1 t ) + E 2t ,
que no ser nula pues la varianza del error es distinta de cero.

i
i

maestro_EyP_Revision001 2014/3/3 18:00 page 476 #496

476

Efectos Causales Dinmicos

En algunas ocasiones, el tipo de relacin econmica estudiada nos puede permitir excluir
las relaciones entre Y y el futuro de X (esto es, si se cumple el criterio de exogeneidad
estricta). En esos casos sera posible obtener estimadores alternativos para los efectos causales
dinmicos. Estos estimadores alternativos presentan alguna ventaja respecto de los MCO que
hemos comentado para los modelos RD.
En particular, la forma de obtener otros estimadores lo posibilita el supuesto de exogeneidad estricta junto con un tratamiento diferente de la correlacin serial en t . Esto no debe
entenderse necesariamente como que es ms aconsejable utilizar modelos ARD frente a modelos RD o modelos estticos de series temporales puesto que en ocasiones es posible que desde
el punto de vista econmico, el problema que estamos tratando justifique utilizar modelos
RD o incluso modelos estticos de series temporales. En tales casos, lo relevante ser tener
presente que los errores tendrn autocorrelacin.
En la ecuacin (14.2.6) vimos que dicho modelo era equivalente al modelo (14.2.4), de
manera que la inclusin de un retardo de Y y uno adicional de X hace que el error no
est autocorrelacionado (siempre que el error siga el proceso autorregresivo modelizado), de
este modo podemos estimar los coeficientes de dicho modelo por MCO y utilizar los errores
estndar por defecto en MCO, es decir, la inferencia estadstica se realizara correctamente
sin necesidad de usar errores tipo HAC.
Sin embargo, la estimacin por MCO de (14.2.6) no nos permite recuperar directamente
los coeficientes de los efectos dinmicos de la Ecuacin (14.2.4). Para poder recuperarlos, una
estrategia consiste en expresar la funcin de regresin estimada como funcin de los valores
actuales y pasados de Xt . Para ello tendramos que eliminar la Yt de la funcin de regresin
estimada (es decir, de la estimacin de la Ecuacin (14.2.6)).
Por ejemplo, supongamos que hemos estimado el modelo
Yt = 1 Yt1 + 0 Xt + 1 Xt1 + 2 Xt2 ,
y queremos eliminar Yt1 . Para ello utilizamos la expresin de Yt1 y la sustituimos en la
ecuacin anterior:


Yt = 1 1 Yt2 + 0 Xt1 + 1 Xt2 + 2 Xt3 + 0 Xt + 1 Xt1 + 2 Xt2




= 0 Xt + 1 + 1 0 Xt1 + 2 + 1 1 Xt2 + 1 2 Xt3 + 21 Yt2 .
El efecto causal dinmico del primer retardo ya estara estimado. Para estimar el efecto
dinmico del segundo retardo, simplemente utilizaramos Yt2 , el mismo proceso de sustitucin
y agrupamiento de trminos:




Yt = 0 Xt + 1 + 1 0 Xt1 + 2 + 1 1 Xt2
+1 2 Xt3 + 21 Yt2




= 0 Xt + 1 + 1 0 Xt1 + 2 + 1 1 + 21 0 Xt2


+1 2 + 1 1 Xt3 + 31 Yt3 .

i
i

maestro_EyP_Revision001 2014/3/3 18:00 page 477 #497

Tema 14

477

Esta expresin nos permite recuperar el efecto del segundo retardo. Si repetimos continuamente el procedimiento llegaramos a




Yt = 0 Xt + 1 + 1 0 Xt1 + 2 + 1 1 + 21 0 Xt2




+1 2 + 1 1 + 21 0 Xt3 + 21 2 + 1 1 + 21 0 Xt4 + ...
que nos permite tener un resumen compacto de una distribucin de retardos larga y posiblemente compleja estimando pocos parmetros. Afortunadamente estas operaciones las realizamos a travs del software especializado que ya comentamos en el primer tema.
Por otra parte, y alternativamente, tambin bajo el supuesto de exogeneidad estricta, es
posible obtener otro estimador si en lugar de estimar (14.2.6), lo que hacemos es estimar la
versin (14.2.7), que (como hemos dicho) es equivalente. En tal caso, lo primero que tendramos
que observar que para estimar (14.2.7) precisamos de 1 (en el caso de conociramos el esquema
autorregresivo del error as como el valor de este parmetro). Supongamos (si bien no es
realista, salvo si simulamos modelos en un ordenador) que lo supiramos; en tal caso, si la
X es estrictamente exgena, obtendramos los multiplicadores dinmicos simplemente con
t , Yt , para t = 1, 2, ... y realizar la regresin MCO. Obviamente no es
formar las variables X
realizable o factible, puesto que desconocemos el valor de 1 .
Una versin factible o realizable consiste en estimar 1 a partir de los residuos MCO,
t , obtenidos a partir de la estimacin de la ecuacin (14.2.1). Con los errores estimados, t ,
obtenemos 1 a partir de la regresin MCO de
t = 1 t1 + t .
= X
t 1 X
t y posteriormente
El siguiente paso consiste en formar Yt = Yt 1 Yt , y X
t

yX
t1 . Los coeficientes estimados
regresar, incluyendo el trmino independiente, Y sobre X

k , k = 0, 1, 2, ... se denominan multiplicadores dinmicos de Cochrane-Orcutt.


Adems el proceso se puede iterar, es decir, una vez estimados los parmetros originales
k , k = 0, 1, 2, ... y 1 es posible utilizar los estimadores de los mismo por Cochrane-Orcutt
(C-O) y obtener unos nuevos errores estimados t , a patir de ellos obtener un actualizado
1 y a continuacin unos nuevos estimadores C-O, y as sucesivamente hasta que iteracin
tras iteracin se alcanzara una convergencia de los parmetros estimados k , k = 0, 1, 2, ... Se
conoce a estos multiplicadores cuasales dinmicos como multiplicadores de Cochrane-Orcutt
iterados.

14.5.

El modelo dinmico completo

Una especificacin particular que evitara problemas derivados de la autocorrelacin, que


como sabemos su existencia no interrumpe por completo las buenas propiedades de los estimadores MCO, es la que se deriva de especificar un modelo dinmico completo. Para ver
qu significado tiene el trmino dinmicamente completo consideremos que el modelo que
genera los datos es el siguiente proceso esttico de series temporales:
Y t = 0 + 1 Z t + t ,

(14.5.1)

i
i

maestro_EyP_Revision001 2014/3/3 18:00 page 478 #498

478

Efectos Causales Dinmicos

y supongamos que lo especificamos de manera que se satisface


E (t |Zt , Yt1 , Zt1 , Yt2 , Zt2 , ...Y1 Z1 ) = 0.

(14.5.2)

El supuesto (14.5.2) dentro (junto con) del modelo (14.5.1) implica que
E (Yt |Zt , Yt1 , Zt1 , ... ) = 0 + 1 Zt = E (Yt |Zt ) ,
es decir, una vez que hemos considerado (controlado por) Zt , ningn retardo ni de Y ni de Z
ayuda a explicar el valor actual de Y . Obviamente el supuesto (14.5.2) tambin implica que
E (t |Zt ) = 0,
es decir exogeneidad contempornea.
Sabemos que la autocorrelacin es prcticamente consustacial a los modelos de series
temporales, incluso en el caso de que sean estticos, tal y como ocurre con el modelo (14.5.1).
Si en lugar de un modelo esttico consideramos un modelo dinmico como los que estamos
viendo en este captulo, digamos el modelo de retardos distribuidos
Yt = 0 + 1 Zt + 2 Zt1 + 3 Zt2 + t ,

(14.5.3)

entonces en caso de que se satisfaga el supuesto (14.5.2)


E (Yt |Zt , Yt1 , Zt1 , ... ) = E (Yt |Zt , Zt1 , Zt2 ) .
Es decir, una vez que hemos tenido en cuenta Z y dos retardos, no es preciso considerar ni
ms retardos de la variable Z ni ninguno de Y pues no afecta al valor actual de Y .
El supuesto tambin es ilustrativo en el caso de usar en un modelo dinmico autorregresivo
de retardos distribuidos (ARD). Sea el modelo
Yt = 0 + 1 Zt + 2 Yt1 + 3 Zt1 + t ,

(14.5.4)

ahora, si es cierto (14.5.2), entonces


E (Yt |Zt , Yt1 , Zt1 , Yt2 , ... ) = E (Yt |Zt , Yt1 , Zt1 ) .
Lo que implica que una vez controlados Zt , Yt1 , Zt1 , no hay otro(s) retardo(s) que afecte al
valor actual de Y , que es la que queremos explicar.
Vemos que el supuesto (14.5.2) es relevante por varios motivos. Entre ellos uno es que
se adapta a los modelos dinmicos que hemos visto en este captulo; otro es que garantiza
la exogeneidad E (t |Zt ) = 0, lo que es bsico para obtener estimadores consistentes de
los coeficientes; por otro lado, nos permite decir que hemos especificado el modelo de manera
completa en el sentido de que para explicar Y se han incorporado todos los retardos necesarios
de todas las variables, ya sea de Y o de Z.
Obviamente, no es necesario que slo contemplemos una sola variable explicativa, Z, si no
que el supuesto se extiende a un conjunto de variables explicativas Xt = (X1t , X2t , ..., Xkt )
que puede contener variables retardadas de Y y/o de Z: En un modelo general
Yt = 0 + 1 X1t + 2 X2t + 3 X3t + ... + t ,

i
i

maestro_EyP_Revision001 2014/3/3 18:00 page 479 #499

Tema 14

479

el supuesto de modelo dinmicamente completo es


E (t |Xt , Yt1 , Xt1 , ... ) = 0,

(14.5.5)

E (Yt |Xt , Yt1 , Xt1 , ..., X1 , Y1 ) = E (Yt |Xt ) .

(14.5.6)

que en trminos de Y es

As, con independencia de lo que haya en el vector Xt hemos considerados todos los retardos
relevantes de las variables en X. Es decir, el modelo especificado utiliza completamente toda
la informacin sistemtica en el pasado de Yt y de las variables explicativas restantes. Por este
motivo, cuando se satisface este supuesto, se dice que el modelo dinmico es completo.
Una caracterstica importante de tener un modelo dinmico completo es que entonces se
puede probar que los errores necesariamente estarn incorrelacionados. No obstante, como hemos visto puede ser prcticamente imposible especificar un modelo dinmicamente completo,
lo cual no es un severo problema en la medida en que podemos realizar inferencia estadstica
correctamente siempre que usemos errores robustos HAC.
La clave del modelo dinmicamente completo reside en la seleccin de las variables condicionantes que incorporamos en Xt . De modo que si nuestro inters se centra en explicar Yt en
trminos del pasado de Y y posiblemente de valores pasados de de otra secuencia, digamos
Zt , entonces el modelo es completo si hemos considerado suficientes retardos de Y y de Z, que
hemos incluido en Xt para capturar la dependencia del pasado. En el caso del modelo esttico
(14.5.1), el vector condicionante es Xt = (Zt ); en el modelo (14.5.3), Xt = (Zt , Zt1 , Zt2 );
y en el modelo ARD (14.5.4), Xt = (Zt , Yt1 , Zt1 ). Observamos, por ejemplo, que cuando
el condicionante es Xt = (Zt ), asumir el supuesto (14.5.6) es equivalente a que la relacin
esttica sea la dinmica, lo cual, en general, es bastante restrictivo en los modelos de series
temporales, si bien aun as la relacin esttica puede ser de gran inters desde el punto de
vista econmico. En cambio, si el condicionante es Xt = (Zt , Yt1 , Zt1 ), entonces asumir que
modelo es dinmicamente completo supone que la dinmica es de primer orden, lo cual es
menos restrictivo que el caso anterior.
Tericamente podemos permitir que la dimensin del vector Xt crezca lo desado con t, en
tal caso siempre podramos elegir Xt = (Zt , Yt1 , Zt1 , ..., Y1 , Z1 ) o bien Xt = (Yt1 , Zt1 , ..., Y1 , Z1 )
o bien Xt = (Yt1 , Yt2 , ..., Y1 ) para asegurar un modelo dinmicamente completo. En la prctica resulta ms realista considerar que incluyendo un nmero suficiente de retardos podamos
aproximarnos a un modelo dinmicamente completo. Este tipo aproximaciones tienen que ser
lo mejores posibles si nuestro inters est fundamentado slo en realizar una prediccin. Es
decir, para la prediccin s debera ser una prioridad que el modelo est lo ms dinmicamente
completo, lo cual supone realizar constantemente contrastes estadsticos de correlacin serial
(autocorrelacin).
Desarrollamos ahora la demostracin por la que el modelo dinmico completo implica
necesariamente ausencia de autocorrelacin en el error.
La expresin del supuesto de modelo dinmico completo (14.5.5) es equivalente a
E (t |Xt , t1 , Xt1 , t2 , ... ) = 0.

(14.5.7)

i
i

maestro_EyP_Revision001 2014/3/3 18:00 page 480 #500

480

Efectos Causales Dinmicos

Por la Ley de las Esperanza Iteradas, para s < t,


E (s t |Xs , Xt ) = E [E (s t |Xs , Xt , s ) |Xs , Xt ]
= E [s E (t |Xs , Xt , s ) |Xs , Xt ]
= E [s 0 |Xs , Xt ]
= 0.
Donde la penltima igualdad se deduce de aplicar el supuesto (14.5.7): obsrvese que el condicionante (Xs , Xt , s ) es un subconjunto del condicionante de (14.5.7).

14.6.

Aplicacin de los modelos uniecuaciones dinmicos: la


Ley de Okun

Consideremos ahora un ejemplo econmico particular. Vamos a examinar con datos reales
la Ley de Okun. A estos efectos, recordemos que segn de ley, un cambio en la tasa de
desempleo de un periodo al siguiente depende de la tasa de crecimiento del output de la
economa:
ut ut1 = (gt gN ) ,
donde ut es la tasa de desempleo, gt es el cremiento del PIB, y gN se refiere a la tasa de
crecimiento normal del PIB de la economa estudiada. El modelo economtrico propuesto
podra ser el siguiente
4ut = + 0 gt + t ,
donde es el operador diferencia, tal que ut = ut ut1 , para todo t = 2, 3, ..., T ; = gN ; y
0 = . El parmetro refleja la variacin en el nivel de desempleo si no hubiera crecimiento
(en trminos reales) en la economa. A su vez, el coeficiente 0 al estar las variables en trminos
porcentuales tendr una interpretacin del tipo elasticidad. De hecho el parmetro captura la
elasticidad el del de desempleo respecto del PIB real.
A partir del modelo podemos localizar el umbral de la tasa de crecimiento del PIB compatible con una variacin nula en la tasa de desempleo. La teora econmica, consustancial
en el anlisis economtrico, contempla varias explicaciones para una relacin entre la tasa de
desempleo (y por tanto del empleo) y la tasa de crecimiento de la economa. En un mundo
en el que las empresas estuvieran mayoritariamente en competencia perfecta, el salario real,
establecido en el mercado de trabajo, determinar las horas contratadas -y por tanto el nivel
de empleo (desempleo)- por las empresas, que podran vender todo lo que deseen, no vindose
afectadas por el nivel de demanda agregada de la economa. Alternativamente, si abunda la
competencia monopolstica, entonces la demanda agregada de la economa (output producido) determinar el salario real -minimizando los empresarios los costes de produccin- el cual
determinar el nivel de empleo (desempleo).
Esta relacin, desde el punto de vista economtrico es, sin embargo, un tanto inocente
en el sentido de que es ms probable que los cambios en la produccin (output) afecten al
desempleo con cierto retardo temporal, y no slo simultneamente como se desprende del

i
i

maestro_EyP_Revision001 2014/3/3 18:00 page 481 #501

Tema 14

481

modelo anterior. Una modelizacin que recoge estos efectos dinmicos es la siguiente:
(14.6.1)

4ut = + 0 gt + 1 gt1 + ... + q gtq + t .

Supongamos inicialmente que la variable relativa al crecimento econmico es exgena, si


bien volveremos sobre esta cuestin ms adelante. De este modo, el modelo (14.6.1) es del tipo
RD, y puede estimarse fcilmente, siendo conscientes de los supuestos que hemos de asumir,
si queremos estimar correctamente el mismo. En todo caso, para la estimacin, obviamente,
es necesario partir de los datos observados. Los datos con los que vamos a estimar el modelo
RD son relativos a las series temporales de tasa de desempleo y cremiento real del PIB en los
EE.UU.
Las siguientes figuras muestran las dos series respectivas para el mismo rango de fechas.
El modelo (14.6.1) se estima a partir de las series de crecimiento del PIB y la variacin en la
tasa de desempleo. En consonancia con el apartado dedicado a la estimacin de estos modelos,
estimamos por MCO utilizando errores estndar tipo HAC. El resultado de considerar q = 3
en dicha regresin es la siguiente:
dt =
4u

0,58 0,20 gt 0,16 gt1 0,07 gt2 + 0,003 gt3 ,


(0,063)

(0,0276)

(0,0338)

(0,0315)

(0,0365)

R ajustado = 0,637, T = 95, AIC = 44,66241


2

errores estndar HAC entre parntesis. Dada la significatividad del coeficiente correspondiente
al retardo q = 3, es conveniente eliminarlo de la regresin y fijar por tanto q = 2:
dt =
4u

0,58 0,20 gt 0,16 gt1 0,07 gt2 ,


(0,0621)

(0,0278)

(0,0310)

(0,0295)

R ajustado = 0,642, T = 95, AIC = 50,69367.


2

Del modelo RD(2) estimado obtenemos los multiplicadores de impacto para los 3 periodos
considerados. As, una variacin en el crecimiento del PIB genera un efecto sobre la tasa de
desempleo que se dispersar a lo largo los siguientes periodos. En efecto, el aumento de un 1
por ciento en PIB generar, de acuerdo al modelo, un descenso medio sobre la tasa de desempleo del 0.20 % durante el mismo trimestre, un descenso medios del 0.16 % en el siguiente
trimestre, y finalmente un descenso medio del 0.07 % durante el segundo trimestre desde el
cambio inicial. Obviamente tambin podemos obtener los multiplicadores acumulativos. En
este modelo estimado tendramos (0, 2 + 0, 16 + 0, 07) = 0, 43 de multiplicador acumulativo de largo plazo; que indica un efecto de un descenso medio, en 9 meses, de la tasa de paro de
0.43 puntos porcentuales como consecuencia de un incremento de un 1 por ciento por encima
del cremiento normal de la economa estadounidense. Obsrvese, que si bien podemos utilizar
los errores estdar estimados en la regresin anterior para ver la precisin de los estimadores de los multiplicadores de impacto, sabemos que esto no es posible para el multiplicador
acumulado de largo plazo (y lo intermedios). Para obtener el error estndar vlido debemos
recurrir a estimar un modelo del tipo indicado en la expresin (14.4.1)
4ut = 0 + 1 4gt + 2 4gt1 + 3 gt2 + t .

i
i

maestro_EyP_Revision001 2014/3/3 18:00 page 482 #502

482

Efectos Causales Dinmicos

Figura 14.6.1: Grficos de series temporales del crecimiento PIB real y la Tasa de desempleo
de EE.UU.
Crecimiento del PIB
2.5
2
1.5
1
0.5
0
-0.5
-1
-1.5

1986

1992

1998

2004

2010

2004

2010

Tasa de desempleo
10
9
8
7
6
5
4
3

1986

1992

1998

Figura 14.6.2: Crecimiento del PIB real y variacin en la Tasa de desempleo de EE.UU
Crecimiento del PIB
2.5
2
1.5
1
0.5
0
-0.5
-1
-1.5

1986

1992

1998

2004

2010

2004

2010

Diferencia Tasa Desempleo


1.2
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4

1986

1992

1998

i
i

maestro_EyP_Revision001 2014/3/3 18:00 page 483 #503

Tema 14

483

En tal caso el modelo estimado sera


dt =
4u

0,58 0,20 gt 0,36 gt1 0,43 gt2 ,


(0,0621)

(0,0278)

(0,0439)

(0,0441)

y por tanto los errores estndar HAC que aparecen en parntesis son los que hemos de utilizar
para estudiar la significatividad y/o construir intervalos de los multiplicadores acumulados.
Es posible estimar los multiplicadores dinmicos de manera ms efeciente respecto a
la estimacin MCO del los coeficiente en el modelo de retardos distribuidos? Tal y como
hemos visto anteriormente esto sera posible si la variable g fuera estrctamente exgena
(exogeneidad pasado, presente y futuro), pese a existir autocorrelacin en los errores de la
regresin. No obstante, antes de utilizar estos mtodos ms eficientes es necesario evaluar si
tiene sentido que g sea estrictamente exgena. Los otros factores que explican la variacin
de la tasa de desempleo en el momento t podran estar eventualmente relacionados con los
valores de la tasa de crecimiento en el futuro? La respuesta puede ser perfectamente positiva:
por ejemplo, las rigideces de los mercados de trabajo afectan a la evolucin actual de la tasa
de desempleo, y estn en el trmino error; es previsible que las autoridades econmicas estn
tratando continuamente de mejorar dichas rigideces para reducir el desempleo futuro. Las
medidas implementadas en el tiempo t afectarn factiblemente a la evolucin del PIB, y por
tanto sera difcilmente sostener que la variable crecimiento es estrictamente exgena, y en
consecuencia los mtodos alternativos a MCO no deberan ser utilizados.
Cuando iniciamos este apartado supusimos que la variable crecimiento era exgena, y
acabamos de comprobar que no lo es estrictamente exgena. Es creible que sea exgena
(presente y pasado)? Hay varios motivos que hacen pensar que la variable crecimiento es
endgena. Inicialmente parece de sentido econmico la existencia de variables omitidas en el
modelo economtrico planteado, como pueden ser las variables crecimiento de la poblacin, que
afecta directamente tanto a la evolucin del desempleo como a la del crecimiento medido en
trminos del PIB real; el grado de competencia en los mercados de bienes y servicios; los costes
de ajuste de los inputs (costes de despido y de contratacin, etctera). Tambin es razonable
econmicamente pensar que un conjunto comn de variables expliquen tanto la evolucin
del desempleo, como la del crecimiento, generando as una relacin de bidireccionalidad: en
funcin de la productividad, un mayor creciento del PIB conlleva un aumento neto del empleo
(una disminucin del desempleo neto). En paralelo, un mayor empleo (menor desempleo), en
funcin de cmo se estn utilizando otros factores productivos, impulsar la demanda agregada
y por tanto el crecimiento.
El resultado de esta simultaneidad (bidireccionalidad) y, en su caso, de la existencia de
variables omitidas en el modelo, es que ninguna de las dos variables sera exgena respecto de
la otra. Y si esto es as, entonces las anteriores estimaciones no estaran capturando consistentemente el efecto causal dinmico del crecimiento en la evolucin de la tasa de desempleo.
La alternativa ms natural es optar por una aproximacin economtrica que nos permita
contemplar fundamentalmente los problemas de causalidad bidireccional. Para ello los modelos dinmicos multiecuacionales, a diferencia de los presentados en este tema, son una solucin
muy atractiva cuando tenemos series temporales de las variables en cuestin. La metodologa
consistente en formar Vectores Autorregresivos nos permitir afrontar con mayor xito problemas de bidireccionalidad y variables omitidas, y se presentar en captulos ulteriores. Esta

i
i

maestro_EyP_Revision001 2014/3/3 18:00 page 484 #504

484

Efectos Causales Dinmicos

misma metodologa multiecuacional ofrece dos potenciales ventajas adicionales: nos permitir aproximarnos mejor a un modelo dinmicamente completo y mejorar la calidad de las
predicciones respecto a los modelos uniecuacionales.
Es relevante apreciar que muchas de las relaciones macroeconmicas que interesan al economista pueden fcilmente estar impregnadas de causalidad bidireccional, generando que los
regresores sean endgenos. Determinar la exogeneidad de una variable require, en general, una
combinacin de teora econmica, junto con una valoracin de las instituciones que afectan al
entorno econmico.

14.7.

Notacin de los modelos dinmicos utilizando el operador


de retardos, L

En este ltimo apartado se presentan los modelos uniecuacionales dinmicos expuestos en


las secciones anteriores utilizando ahora el operador retardo3 , L. En ocasiones puede resultar
de utilidad para apreciar algunos aspectos de este tipo de modelos as como de otros que
ya hemos presentado en captulos previos. Adems de estas propiedades, el uso del operador
facilita la exposicin de los modelos de series temporales. En primer lugar introducimos sus
propiedades en cuanto a operador lineal.

14.7.1.

Propiedades de retardos L como operador lineal

La idea fundamental del operador de retardos, L, es que transforma una variable en ella
misma retardada un periodo:
Lyt = yt1 .
Podemos manipular algebraicamente el operador:
Lc = c
L2 yt = L (Lyt ) = L (yt1 ) = yt2
Lp yt = ytp ,
L0 = 1,
L1 yt = yt+1 .
Podemos operar con L como si de cualquier otra cantidad algebraica se tratara:
yt yt1 = (1 L) yt ,

yt yt1 yt2 = 1 L L2 yt .
Si consideramos, por ejemplo, una constante, , el operador funciona algebraicamente
como esperamos
yt yt1 = (1 L) yt ,
3

Habitualmente este operador se denota con la letra L, que proviene del ingls Lag. Tambin es posible que
se denote con la letra B, que a su vez proviene tambin del trmino anglosajn Backwards.

i
i

maestro_EyP_Revision001 2014/3/3 18:00 page 485 #505

Tema 14

485


yt + yt1 + 2 yt2 + ... + p ytp = 1 + L + 2 L2 + ... + p Lp yt .
Por otra parte recordemos que un resultado bsico de las progresiones geomtricas es que para
|| < 1, la suma de infinitos trminos

1 + L + 2 L2 + 3 L3 + ... =

1
,
1 L

(14.7.1)

y por tanto,

1 + L + 2 L2 + 3 L3 + ... yt =
o alternativamente
yt

X
j=0

L = yt

1
1 L

1
1 L


yt ,


.

Si a partir de estas ltimas expresiones, que son correctas para || < 1, operamos tenemos

1 + L + 2 L2 + 3 L3 + ... (1 L) yt = yt ,

que nos permite pensar en que la suma infinita 1 + L + 2 L2 + 3 L3 + ... aproxima (tanto
como deseemos) la inversa del operador (1 L) cuando este es aplicado sobre una sucesin
{yt }. Esto es
(1 L)1 (1 L) = 1

1 + L + 2 L2 + 3 L3 + ... (1 L) = 1,
(14.7.2)
que para un operador en forma de polinomio en trminos del operador retardo, (L), significa
la existencia de un polinomio de grado infinito, (L)1 , tal que
(L)1 (L) = 1.
Cuando dicho polinomio, (L)1 , existe, decimos que el polinomio (L) es invertible. En el
caso particular del polinomio (L) = (1 L), siempre que || < 1, entonces ser invertible.
Podemos observar tambin que como polinomio de primer grado de la forma (1 z), tiene
una raz que es z = z1 = 1/, y por tanto, ser un polinomio invertible siempre que la raz
z1 = 1/ sea mayor a la unidad, lo cual es equivalente a decir que || < 1.
Estas propiedades del operador L son lgicamente aplicables a ecuaciones en diferencias
de orden 2. Consideremos yt = a1 yt1 + a2 yt2 que se reescribe con el operador retardo del
siguiente modo

1 a1 L a2 L2 yt = 0.
Esta expresin contieneun polinomio de segundo grado en trminos del operador retardo
L, (L) = 1 a1 L a2 L2 . Podemos factorizar dicho polinomio



1 a1 L a2 L2 = (1 1 L) (1 2 L) = 1 (1 + 2 ) L + (1 2 ) L2 ,

i
i

maestro_EyP_Revision001 2014/3/3 18:00 page 486 #506

486

Efectos Causales Dinmicos

siendo 1 y 2 las races del polinomio de segundo grado. Si comparamos los lados derecho e
izquierdo de esta expresin, tenemos que
a1 = (1 + 2 ) ; a2 = (1 2 ) .
Para saber las races de un polinomio en trminos del operador retardo, L, podemos
considerar un polinomio en trminos de un escalar, z, en lugar de estar en trminos de un
operador:

1 a1 z a2 z 2 = (1 1 z) (1 2 z) .

Es evidente que los valores z = 1/1 o z = 1/2 son races del polinomio 1 a1 z a2 z 2 ,
es decir, valores que toma z y que hacen cero el valor de la funcin polinmica. Por tanto,
cuando z = z1 = 1/1 o z = z2 = 1/2 , podemos obtener los valores de 1 , 2 simplemente
aplicando la frmula de las ecuaciones de segundo grado (en este caso):

a1 a1 + 4a2
zi =
, i = 1, 2,
2a2
y despejando, i = 1/zi .

La factorizacin del polinomio (L) = 1 a1 L a2 L2 nos facilita, al igual que anteriormente con el polinomio de grado 1, estudiar cundo ste es invertible.
Para comprobarlo sim
plemente multiplicamos la ecuacin (L) = 1 a1 L a2 L2 por (1 1 L)1 (1 2 L)1 :
h
i

(1 1 L)1 (1 2 L)1 (L) = (1 1 L)1 (1 2 L)1 1 a1 L a2 L2 = 1,
de donde comprobamos que (L)1 = (1 1 L)1 (1 2 L)1 . Para que este polinomio est
bien definido es necesario verificar que las inversas (las sumas infinitas):
(1 1 L)1 = 1 + 1 L + 21 L2 + 31 L3 + ...
(1 2 L)1 = 1 + 2 L + 22 L2 + 32 L3 + ...
estn correctamente definidas, es decir, que sean finitas. En concreto, operando se tiene


(1 1 L)1 (1 2 L)1 = 1 + 1 L + 21 L2 + ... 1 + 2 L + 22 L2 + ...

= 1 + (1 + 2 ) L + 21 + 22 + 1 2 L2 + ...

k
X
X

Lk .
=
j1 kj
2
k=0

j=0

Como hemos visto en (14.7.1), cada una de estas sumas es convergente si |1 | < 1 y
|2 | < 1, o lo que es lo mismo si las races del polinomio (L) = 1 a1 L a2 L2 son
mayores a la unidad, |z1 | > 1, |z2 | > 1, toda vez que z1 = 1/1 y z2 = 1/2 . Por tanto,
podemos concluir que la invertibilidad del polinomio require que las races sean mayores, en
valor absoluto, a la unidad.

i
i

maestro_EyP_Revision001 2014/3/3 18:00 page 487 #507

Tema 14

487

Estos resultados se pueden ampliar para polinomios de grado superior a dos, representativos de ecuaciones en diferencias de orden superior. As, el polinomio caracterstico de orden
p factoriza del siguiente modo:

1 a1 L a2 L2 ... ap Lp = (1 1 L) (1 2 L) (1 p L) ,
y es invertible cuando |i | < 1, o lo que es lo mismo, cuando las races de

1 a1 z a2 z 2 ... ap z p = 0
son mayores, en trminos absolutos, a la unidad. Recordemos que algunas de las races de un
polinomio pueden ser complejas, zi C, es decir, pueden ser de la forma
z = a + bi.
En tal caso, el requisito de invertibilidad es que
p
kzk = a2 + b2 > 1,
que geomtricamente implica que la raz zi tenga un mdulo mayor a la circunferencia de
radio 1, por lo que en muchas ocasiones decimos que la races del polinomio retardo deben
estar fuera del crculo unidad.

14.7.2.

Operador de retardos L aplicado a modelos AR y MA

El modelo AR(1) que ya expusimos lo podemos tratar ahora en trminos del operador L:
yt = yt1 + t
(L)yt = t ,
donde t es un ruido blanco con media cero y varianza constante, y (L) = 1 L es el
polinomio retardo y como hemos visto anteriormente ser invertible si |1/| > 1, o de forma
equivalente si || < 1.
A partir de la expresin (L)yt = t , siempre que el polinomio (L) sea invertible, es
decir est bien definido (L)1 , y utilizando las propiedades de la seccin anterior, podemos
reescribir el modelo AR(1) de la siguiente manera
yt = (L)1 t =
esto es:

1
1 L


t =

j Lj tj ,

j=0

yt = t + t1 + 2 t2 + 3 t3 + ...,

que es un MA(), y podremos decir que hemos invertido un modelo AR(1) en un MA().
La equivalencia entre un AR(1) y un MA(), que combina linealmente las variables
obtenidas de un proceso de ruido blanco, nos permite comprobar que el modelo AR(1) es

i
i

maestro_EyP_Revision001 2014/3/3 18:00 page 488 #508

488

Efectos Causales Dinmicos

estacionario siempre que la variable t sea estacionaria (el ruido blanco lo es) y el polinomio
sea invertible.
Qu sucedera si = 1 o = 1? En cualquiera de estos dos casos sucede que la raz
del polinomio es la unidad (raz unitaria), y la suma infinita no convergera. Estos casos son
especialmente relevantes hasta el punto de que ha generado una econometra de las races
unitarias, y por tanto su tratamiento se har dentro otro contexto ms adelante.
Finalmente podemos observar que la suma tampoco es convergente si || > 1. Adems,
en este caso particular, los efectos de los shocks iran acumulndose y cuanto ms lejanos
estuvieran en el pasado mayor peso tendran para explicar el presente, lo que sin duda no
guarda lgica dentro de procesos econmicos.
Observemos tambin algo relacionado con el comentario previo. Siempre podemos
expresar el modelo de la manera siguiente
yt = yt1 + t yt1 =

1
1
yt t .

En esta nueva expresin (reparametrizada) del modelo podemos invertir el reparametrizado AR(1) utilizando el operador adelantado (inverso al operador retardo)
F L1 :
1
1
yt1 = yt t

1
1
yt1 = F yt1 t



1
1
1 F yt1 = t ,

cuya inversa est bien definida pues ahora |1/| < 1, por lo que

1
1
1
yt = 1 F
t+1

!
 
 2
 3
1
1
1
1
yt = 1 +
F+
F2 +
F 3 + ...
t+1 ,

y tras varias operaciones sencillas se tiene


yt =

j t+j .

j=1

Donde se observa que el modelo es un MA de orden infinto, pero que nos indica
que los valores de yt dependen (son causados) de (por) los shocks o innovaciones futuras, lo cual no es lgico ni operativo pues siempre sern desconocidos.
En ocasiones se dice que estos modelos autorregresivos con || > 1 son, por esto
motivos, no-causales. En la modelizacin economtrica estamos, sin embargo, interesados en modelos que guarden lgica y por ello nos interesan los modelos en
los que los shocks pasados expliquen el presente, es decir, en este caso modelos
AR(1) con || < 1.

i
i

maestro_EyP_Revision001 2014/3/3 18:00 page 489 #509

Tema 14

489

Del mismo modo que sucede con el modelo AR(1), ocurre con el modelo AR(p):
(L)yt = t ,
donde (L) = 1 1 L 2 L2 ... p Lp . Ahora el proceso lo podremos escribir como
yt = (L)1 t
siempre que el operador inverso de (L) est definido. Tal y como vimos en el apartado anterior
esto sucede cuando las races del polinomio (L) estn fuera del crculo unidad.
Tenemos por tanto condiciones que nos permiten invertir un modelo AR(p) en un MA
de orden infinito, lo que implica que podemos representar un mismo modelo de ms de una
forma. En ocasiones ser ms conveniente una que otra. La representacin en trminos de un
MA hace incapi en los shocks externos, tj a los que se vio sometido el proceso estudiado,
mientras que la representacin AR enfatiza que el nivel de la variable yt viene en buena
medida determinado por lo que pas en periodos anteriores relativamente cercanos a t. Estas
observaciones nos conducen a realizarnos la pregunta inversa siguiente: podremos tambin
encontrar una representacin en trminos de AR de un MA(q)?, esto es podremos invertir
un MA en un AR?
Consideremos un MA(1)
yt = t + t1
yt = (1 + L) t
yt = (L) t ,
donde de nuevo recordemos que estamos combinando linealmente dos procesos estacionarios,
y por tanto ser siempre estacionario, siendo un hecho claramente diferenciador respecto de
un proceso AR.
El proceso MA(1) es invertible a un proceso AR() si existiera un polinomio (1 + L)1
tal que
(1 + L)1 yt = t .
A partir de (14.7.2) se tiene
(1 + L)1 = (1 () L)1 = 1 + () L + ()2 L2 + ()3 L3 + ...,
que est correctamente definido siempre que el parmetro || < 1. Por este motivo para que
un MA(1) sea invertible es necesario que el parmetro satisfaga la restriccin sealada.
Ahora es fcil comprobar que un MA(1) se puede expresar tambin como un AR():

1 L + 2 L2 3 L3 + ... yt = t

()j Lj ytj = t .

j=0

La condicin de invertibilidad de un MA(1), || < 1, implica que los shocks (innovaciones)


pasados tienen menos peso en la formacin del valor actual de la variable, yt , que el shock

i
i

maestro_EyP_Revision001 2014/3/3 18:00 page 490 #510

490

Efectos Causales Dinmicos

(innovacin) presente, t , y lo podemos observar simplemente a partir de yt = t + t1 .


Igualmente, la invertibilidad implica que en los modelos invertibles el peso de los valores
pasados que tome la variable y decrece a medida que nos alejamos en el tiempo si pretendemos
explicar o conocer el valor de t (no-observable)
a partir de valores pasados (observables) de

y, pues 1 L + 2 L2 3 L3 + ... yt .
En general, un MA(q)
yt = (L) t ,

yt = 1 + 1 L + 2 L2 + ... + q Lq t ,
ser invertible si las races del polinomio asociado
1 + 1 z + 2 z 2 + ... + q z q

estn fuera del crculo unidad, y por tanto podremos representar el modelo MA(q) como un
AR()

1 + 1 L + 2 L2 + 3 L3 + ... yt = t ,
(L)1 yt = t .
Finalmente, un proceso ARMA(p,q) se puede reescribir, de manera equivalente a como
vimos en el captulo dedicado a estos modelos y utilizando como operador de retardos L, que
es idntico por definicin a usar B:
(L) yt = (L) t


donde (L) = 1 + 1 L + 2 L2 + ... + q Lq y (L) = 1 1 L 2 L2 ... p Lp .
El proceso ser invertible si podemos reescribirlo como
yt = (L)1 (L) t
yt = (L) t ,
de modo que apreciamos que

(L) = (L)1 (L)

y por tanto
(L) = (L) (L) ,
lo cual nos permite recuperar los elementos de mediante recursin.
Por ejemplo, si consideramos un ARMA(1,1), tendremos
1 + L = (1 L) (L)

= (1 L) 0 + 1 L + 2 L2 + ...
= 0 + (1 0 ) L + (2 1 ) L2 + ...,
comparando los coeficientes a ambos lados del igual, se tiene
1 = 0

i
i

maestro_EyP_Revision001 2014/3/3 18:00 page 491 #511

Tema 14

491

= (1 0 )
0 = (j j1 ) , j 2.
Resolviendo estas ecuaciones se tiene
1 = 0 ; 1 = + ; j = j1 ( + ) , j 2.
La notacin en trminos de los polinomios de retardos nos previene de potenciales redundancias en la parametrizacin. Para observalo consideremos un proceso de ruido blanco,
yt = t .
Supongamos que multiplicamos ambos lados por el polinomio (1 aL):
(1 aL) yt = (1 aL) t ,
que es un ARMA(1,1) con 1 = a, 1 = a. Lgicamente sera redundante y confuso estimar
a cuando en realidad se trata de un proceso de ruido blanco. Adems esto nos sugiere que
si estamos estimando un ARMA(1,1) y los valores de los coeficientes estimados son tales que
1 est cerca de 1 (es decir, las races del los polinomios son prcticamente iguales), tal
vez sea una buena idea considera que se trata de ruido blanco. Observemos tambin que en
el caso particular que estamos viendo, los polinomios (L) y (L) estn compartiendo una
misma raz (la nica, digamos, ), y podramos obviamente dividir ambos polinomios (L)
y (L) factorizados por el factor (1 L) y resultara un polinomio de un grado menor (al
compartir una raz), en este caso, de orden cero.
En trminos ms generales se tiene que si los polinomios (L) y (L) asociados a una representacin ARMA(p,q) comparten una raz (tienen una raz comn), el proceso se simplifica
en un ARMA(p-1,q-1).
Hemos visto en esta seccin que en la medida en que los procesos son invertibles podemos
aproximar con bastante precisin muchos procesos estacionarios tanto con modelos ARMA,
MA y AR. Es posible que en algunos casos necesitemos un nmero elevado de retardos, incluso
infinitos, especialmente si se trata de MA o de AR, pero en todo caso podramos realizar la
aproximacin de tal manera que una funcin de autocovarianza determinada fuera aproximada
por la funcin de autocovarianza de uno de estos procesos.

14.7.3.

Modelos RD y ARD con el operador de retardos L

Consideremos inicialmente que el modelo ARD (p,q) de la ecuacin (14.2.3) no tiene


constante, por lo que lo podramos reescribir de la siguiente manera:
yt =

p
X
i=1

i yti +

q
X

i xti + t , t W N (0, 2 ),

(14.7.3)

i=0

donde el acrnimo W N se refiere a ruido blanco (White Noise). Este modelo tambin lo
podemos reescribir as
C(L)yt = B(L)xt + t ,
(14.7.4)

i
i

maestro_EyP_Revision001 2014/3/3 18:00 page 492 #512

492

Efectos Causales Dinmicos

donde ahora
C(L) = 1 1 L 2 L2 ... p Lp
B(L) = 0 1 L 2 L2 ... q Lq .
Si incluimos la constante, la diferencia es mnima notacionalmente
C(L) (Yt 0 ) = B(L)Xt + t ,
por lo que el tratamiento lo daremos sin incluir la constante, o alternativamente es como si
las variables estuvieran en diferencias respecto de sus medias. Para recordar este aspecto, y
siguiendo la notacin de este libro, las letras estarn en grafa de minsculas.
Una utilidad del modelo expresado en (14.7.3) es que nos permite contemplar varios casos
particulares. As si q = 0 el modelo se reduce uno tipo AR(p):
C(L)yt = t , o bien
p
X
yt =
i yti + t .
i=1

En caso de que p = 0, tenemos un modelo del tipo RD(q)


yt = B(L)xt + t , o bien
q
X
yt =
i xti + t .
i=1

Si combinamos p = 1, q = 1 obtenemos el modelo ARD(1,1), que ha sido frecuentemente


utilizado en la literatura, entre otros, porque permite expresar el modelo de la siguiente
manera:
4yt = 0 4xt + ( 1) (yt1 xt1 ) , (0 + 1 ) / ( 1) .
Por otra parte, del mismo modo que requerimos unas condiciones de regularidad en los
modelos autorregresivos y de medias mviles (AR y MA) para que el modelo sea estable, tambin ahora se hace pertinente hacer dichas consideraciones. Para ver cules son reescribimos
el modelo (14.7.4) de la siguiente forma
B(L)
1
xt +
t
C(L)
C(L)
= D(L)xt + t

yt =

= 0 xt + 1 xt1 + 2 xt2 + ... + t



= 0 + 1 L + 2 L2 + ... xt + t .
Naturalmente D(L) es un polinomio infinito resultante del cociente B(L)/C(L). Es necesario
observar que el nuevo trmino error est ahora afectado por la correlacin. La restriccin que
debemos hacer es que el impacto total sobre yt sea finito, de modo que pasado un tiempo

i
i

maestro_EyP_Revision001 2014/3/3 18:00 page 493 #513

Tema 14

493

la variable retorne a un nuevo equilibrio o retorne al equilibrio anterior. Para lograr esta
estabilidad es necesario, por tanto, que la suma de los coeficientes derivados del polinomio
D(L) sea convergente (finita). Formalmente, ese requisito se cumple siempre que las races del
polinomio C(L) sean superiores a la unidad.
En los apartados anteriores hemos aludido a distintos tipos de multiplicadores. Por ejemplo, los multiplicadores dinmicos correspondientes a distintos periodos se pueden deducir
fcilmente a partir de la expresin yt = D(L)xt + t . Una variacin unitaria de xt afectar a
yt , es decir en el periodo actual, de acuerdo a
yt
B(0)
= 0 = 0 ,
= D(0) =
xt
C(0)
mientras que la misma variacin afectar k periodos hacia adelante de acuerdo a
yt+k
yt
= k ,
=
xt
xtk
que salvo para el caso de que p = 0 no coincidir con k . En particular, si consideramos el
modelo ARD(1,1)
yt = 1 yt1 + 0 xt + 1 xt1 + t ,
es decir
(1 1 L) yt = (0 + 1 L) xt ,
los multiplicadores dinmicos seran
yt+1
xt
yt+2
xt
...
yt+k
xt

yt
yt
= 1 = 1
+ 1 = 1 0 + 1
xt1
xt
yt
yt+1
=
= 2 = 1
= 1 (1 0 + 1 )
xt2
xt
... ...
yt
yt+k
=
= k = 1
= 1k1 (1 0 + 1 ) ,
xtk
xt
=

de modo que se estabiliza, es decir, el multiplicador dinmico se aproxima a cero a medida que
pasan los periodos siempre que |1 | < 1. Lo que equivale a que el polinomio C(L) = (1 1 L)
tenga la raz fuera del crculo unidad.
El multiplicador dinmico acumulativo de largo plazo ser la suma de todos los, posiblemente infinitos, anteriores:

X
B(1)
= D(1).
j =
C(1)
j=0

Indicamos que el hecho de que fueran infinitos no sera un problema toda vez que la suma
fuera finita al estar garantizado por las condiciones de las races del polinomio. En el caso
particular del modelo ARD(1,1) podramos haber obtenido los multiplicadores a partir de la

i
i

maestro_EyP_Revision001 2014/3/3 18:00 page 494 #514

494

Efectos Causales Dinmicos

suma de los multiplicadores dinmicos:


yt+1 yt+2
yt
+
+
+ ... = 0 + 1 0 + 1 + 1 (1 0 + 1 ) + 12 (1 0 + 1 ) + ...
xt
xt
xt


= 0 1 + 1 + 12 + 13 + ... + 1 1 + 1 + 12 + 13 + ...
0
1
=
+
,
1 1 1 1
que es exactamente D(1).

Ejercicios
1. En los pases desarrollados el petrleo es una materia prima central en sus economas.
Como resultado, la evolucin del precio de esta materia prima puede afectar a la economa real. Algunos macroeconomistas consideran algunas crisis econmicas (obviamente,
no en todas) han sido provocadas por fuertes variaciones en el nivel de precios del petrleo. De hecho se ha considerado que para que haya incidencia en la produccin, el
precio del petrleo debe estar por encima de sus valores pasados recientes. Un modelo
como los presentados en este captulo puede resultar interesante para cuantificar el efecto de los precios del petrleo sobre la actividad econmica real de modo que se puedan
capturar los efectos dinmicos de la variacin de precios del petrleo sobre la evolucin
del PIB. Es necesario prestar atencin a cmo se pueden definir las variables que vamos
a relacionar: respecto al PIB, nos interesa su variacin porcentual trimestral, es decir,
Yt = 100ln(P IBt /P IBt1 ), mientras que para los precios del petrleo nos interesa la
diferencia, en puntos porcentuales, entre el precio del petrolo en el periodo t y su valor
mximo a lo largo del ao anterior. Denotamos esta variable diferencia mxima porcentual por Dmaxt . El modelo estimado para la economa estadounidense en el periodo
1955I-2000:IV es
Yt = 1 0,05Dmaxt 0,026Dmaxt1 0,031Dmaxt2 0,109Dmaxt3 0,128Dmaxt4
+0,008Dmaxt5 + 0,025Dmaxt6 0,019Dmaxt7 + 0,067Dmaxt8
a) Indique qu tipo de modelo se ha estimado.
b) Interprete el coeficiente el coeficiente relativo a la variable Dmaxt .
c) Suponga que los precios del petrleo se situan un 25 % por encima de su valor
mximo anterior y se mantienen en ese nivel a partir de entonces. Cul sera el
efecto previsto sobre el crecimiento de la actividad real para cada trimestre de los
prximos dos aos?
d ) Construya un intervalo de confianza para la respuesta dada en c)
e) Cul ser la variacin acumulada en el PIB para ocho trimestres?
2. Considere el siguiente modelo
Yt = 2 + 0,4Yt1 + 2,0Xt 0,8Xt1 + t ,

i
i

maestro_EyP_Revision001 2014/3/3 18:00 page 495 #515

Tema 14

495

donde Xt es estrictamente exgena.


a) Clasifique el modelo de acuerdo a lo explicado en la teora
b) Obtenga el efecto de impacto de X sobre Y
c) Obtenga los cinco primeros multiplicadores dinmicos de impacto
d ) Obtenga los cinco primeros multiplicadores acumulados
e) Obtenga el multiplicador dinmico de largo plazo acumulado
f ) Indique qu papel juega la exogeneidad estricta en este modelo
3. Considere el modelo siguiente
Yt = 0,8Yt1 + 3Xt + t .
a) Clasifique el modelo
b) Indique cules son los polinomios B(L), C(L) y D(L)
c) Obtenga el multiplicador dinmico acumulativo de largo plazo
4. Considere el siguiente modelo dinmico
Yt = 1 Yt1 + t , t N ormal, IID(0, 1),
y T = 10, 20, 80, 100.
a) Para 1 = 0,5 simule 1000 rplicas del modelo para cada T , y estime su correspondiente 1 (T ), T = 10, 20, 80, 100.
b) Para cada T del apartado anterior, calcule el estimador del sesgo, es decir,


1 (T ) 1 =
E

1000

1 X 
1 (T ) 1 .
1000
i=1

c) Compruebe si para cada T, el sesgo estimado se aproxima a

21
T .

5. Considere el siguiente modelo


Yt = 0,5Yt1 + Xt + t , t N ormal, IID(0, 1)
a) Ahora puede haber sesgo de estimacin proveniente del parmetro autorregresivo
y del parmetro que afecta a X. Compruebe qu sucede con el sesgo de ambos
parmetros utilizando los pasos del ejercicio anterior. Represente estos sesgos grficamente.
b) Qu conclusin puede sacar de los resultados obtenidos en el apartado a)?

i
i