Está en la página 1de 17

Econometría Aplicada

Prof. Edson Apaza Mamani

Econometría Aplicada con Stata

Modelo Autoregresivos Dinámicos

Edson Apaza Mamani

UNIVERSIDAD NACIONAL DEL ALTIPLANO

INGENIERÍA ECONÓMICA

2015

Econometría Aplicada

Prof. Edson Apaza Mamani

ECONOMETRÍA APLICADA

Prof. Edson Apaza Mamani MODELO AUTOREGRESIVOS Y DINAMICOS

1.

Introducción

La presente sección estudia el análisis de relaciones temporales entre más de dos series de tiempo. Estas nuevas metodologías se conocen como modelos econométricos dinámicos. A diferencia de los modelos econométricos estáticos, los dinámicos incorporan el efecto del tiempo o el rezago que requiere la variable dependiente para responder a los cambios en las variables independientes. (Gujarati, 2003). El reconocimiento de un factor temporal en los modelos de regresión simple, conduce a la aceptación que los fenómenos económicos son dinámicos.

i) Naturaleza de los datos de Series de Tiempo (ST)

Una característica de los datos de ST que los diferencia de datos de CT es que tienen un orden temporal.

Las propiedades estadísticas de los estimadores de MCO con base en la noción de que las muestras se extraen de forma aleatoria de la población adecuada, realización. Entender por qué los datos de CT deben verse como resultados aleatorios es muy sencillo: cada muestra diferente extraída de la población, por lo general, producirá valores distintos de las variables dependientes e independientes. Por lo tanto, las estimaciones por MCO calculadas a partir de diferentes muestras aleatorias por lo general serán diferentes, razón por la cual se considera que los estimadores de MCO son variables aleatorias.

¿Cómo se debe considerar la aleatoriedad en los datos de ST?

Desde luego, las ST económicas satisfacen los requisitos intuitivos de ser resultados de variables aleatorias. Por ejemplo, hoy no se sabe cómo cerrará el promedio de la Bolsa de Valores de Lima al final de las operaciones. Ni tampoco cuál será el crecimiento anual de la producción en Perú el próximo año. Dado que los resultados de estas variables no se conocen por anticipado, deben verse sin lugar a dudas como variables aleatorias.

En términos formales, a una secuencia de variables aleatorias indexadas en el tiempo se llama proceso estocástico o proceso de ST ( estocástico es sinónimo de aleatorio). Cuando se conforma una base de datos de ST, se obtiene un resultado posible, o realización, del proceso estocástico.

Únicamente se puede ver una sola realización, ya que no es posible retroceder en el tiempo y empezar de nuevo el proceso. (Esto en análogo al análisis de CT en el que únicamente se puede reunir una sola muestra aleatoria).

Econometría Aplicada

Prof. Edson Apaza Mamani

El conjunto de todas las realizaciones posibles de un proceso de ST desempeña el papel de la población en el análisis de CT. El tamaño de muestra para una base de datos de ST es el número de periodos durante los cuales se observan las variables de interés.

durante los cuales se observan las variables de interés. ii) Modelos estáticos Sea y dos series
durante los cuales se observan las variables de interés. ii) Modelos estáticos Sea y dos series

ii)

Modelos estáticos

Sea y dos series de tiempo contemporáneos. Un modelo estocástico que relaciona a ambas variables es:

= +
= +
Sea y dos series de tiempo contemporáneos. Un modelo estocástico que relaciona a ambas variables es:

+ , =1,2, ,

El modelo estocástico proviene del hecho de que se está representando una relación contemporánea entre y . Un modelo de esta índole considera que un cambio en en el momento t ejerce un efecto inmediato sobre : = , cuando = 0. Los modelos de regresión estocásticos también se usan cuando se tiene interés en conocer el intercambio entre y .

+
+
= +
=
+

Un ejemplo de modelo estático es la curva de Phillips, dada por:

de modelo estático es la curva de Phillips, dada por: Donde es la tasa de inflación
de modelo estático es la curva de Phillips, dada por: Donde es la tasa de inflación

Donde es la tasa de inflación anual y es la tasa de desempleo. Esta forma de la curva de Phillips supone una tasa natural de desempleo constante y expectativas inflacionarias constantes, y se emplea para estudiar el intercambio contemporáneo entre la inflación y el desempleo.

Podemos tener diversas variables explicativas en un modelo de regresión estático. Por ejemplo, la tasa
Podemos tener diversas variables explicativas en un modelo de regresión estático.
Por ejemplo, la tasa de asaltos, , en una determinada ciudad durante un
año t, puede estar explicada por tasa de condena de los delitos comprobados,
, de la tasa de desempleo local, , y la fracción
de hombres de la población que se compone de hombres entre 18 y 25 años de
edad. El modelo estático de regresión múltiple que explica la tasa de asaltos es:
=
+
+
+
+
iii) Modelos de rezagos distribuidos finitos
En un modelo de rezagos distribuidos finitos se permite que una o más variables
influyan en en forma rezagada. Por ejemplo, para las observaciones anuales,
considere el modelo:
=
+
+
+
+

Donde es la tasa de fertilidad general (niños nacidos por cada 1,000 mujeres en edad de concebir) y es el porcentaje de beneficiarios que reciben el programa Juntos. La idea es ver si, en conjunto, la decisión de tener hijos se asocia con el porcentaje de población que se beneficia del subsidio si en caso tuvieran acceso los hogares. La ecuación reconoce que, tanto por motivos biológicos como conductuales, las decisiones de procrear no sería un resultado inmediato de los cambios en la decisión personal.

Econometría Aplicada

Prof. Edson Apaza Mamani

=
=
+ + +
+
+
+
+
+
Econometría Aplicada Prof. Edson Apaza Mamani = + + + + El modelo anterior es un

El

modelo anterior es un ejemplo de un modelo de la forma:

+ El modelo anterior es un ejemplo de un modelo de la forma: El cual es

El cual es un modelo de RDF de orden dos. Para interpretar los coeficientes en la ecuación anterior, supongamos que es una constante, igual a , en todos los periodos antes del periodo t. En t aumenta una unidad a + 1, después vuelve a su nivel anterior en el periodo + 1 (es decir que el incremento en es temporal). De manera concreta:

t

-2

-1

0

1

2

= = = +1 = =
=
=
=
=
= +1
= +1
=
=
=
=
= = = = =
=
=
=
=
=
+ + + + ( +1)+ + + ( +1) + +
+
+
+
+ ( +1)+
+
+ ( +1)
+
+
= = = = = = = + + + + ( +1)+ + + (
= = = = = = = + + + + ( +1)+ + + (

Para concentrarse en el efecto ceteris paribus que tiene sobre , se fija el termino de error de cada periodo en cero. Por consiguiente:

+

+ ( +1)+

+

+

+

de cada periodo en cero. Por consiguiente: + + ( +1)+ + + + Representación gráfica

Representación gráfica del modelo de RDF para un cambio transitorio en

RDF 7500 7000 6500 6000 5500 5000 4500 4000 0 2 4 6 8 10
RDF
7500
7000
6500
6000
5500
5000
4500
4000
0
2
4
6
8
10
12
14
x1
y1
Y
que muestra que es el cambio inmediato en debido al aumento de una
así sucesivamente. De las dos primeras ecuaciones se obtiene:
=
,
unidad en en el periodo t. A
multiplicador de impacto.
se le conoce como propensión de impacto o
Econometría Aplicada Prof. Edson Apaza Mamani Asimismo: = es el cambio en un periodo después
Econometría Aplicada
Prof. Edson Apaza Mamani
Asimismo: = es el cambio en un periodo después de la
modificación temporal. =
de la modificación temporal.
es el cambio en
dos periodos después
En el momento t+3,
ha regresado a su nivel inicial:
=
. Esto se debe a
que se ha supuesto que sólo dos rezagos de
aparecen en la ecuación inicial.
Cuando se grafica como una función de i, se obtiene la distribución de rezagos.,
la cual resume el efecto dinámico que un aumento temporal en tiene sobre .
Representación gráfica del modelo de RDF para un cambio permanente en
RDF
7500
7000
6500
6000
5500
5000
4500
4000
0
2
4
6
8
10
12
14
x2
y2

iv) Modelos Autorregresivos y de Rezagos Distribuidos

En el análisis de regresión que contiene información de ST, cuando el modelo de regresión incluye no solamente los valores actuales sino además los valores rezagados (pasados) de las variables explicativas (las X s), se denomina Modelo de Rezagos Distribuidos.

=
=

+

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

+ +

+
+
de Rezagos Distribuidos. = + + + = + + + + + + Si el

Si el modelo incluye uno o más valores rezagados de la variable dependiente entre sus variables explicativas, se denomina Modelo Autoregresivo.

este último también llamado como Modelos Dinámicos, puesto que señalan la trayectoria en el tiempo de la variable dependiente en relación con su(s) valor(es) pasado(s).

Los modelos Autoregresivos y de rezagos distribuidos son utilizados extensamente en el análisis econométrico y en esta sección se estudian tales modelos con detalle, con el objeto de averiguar:

Econometría Aplicada

Prof. Edson Apaza Mamani

a. ¿Cuál es el papel de los rezagos en economía?

b. ¿Cuáles son las razones para justificar los rezagos?

c. ¿Existe alguna justificación teórica para los modelos rezagados comúnmente utilizados en la econometría empírica?

d. ¿Cuál es la relación entre los modelos autoregresivos y los modelos de rezagos distribuidos? ¿pueden derivarse unos de otros?

e. ¿Cuáles son algunos de los problemas estadísticos relacionados con la estimación de tales modelos?

f. ¿La relación adelantada-rezagada entre variables implica causalidad?, de ser así ¿cómo se pueden medir?

implica causalidad?, de ser así ¿cómo se pueden medir? v) El papel del tiempo (rezago) en

v)

El papel del tiempo (rezago) en los modelos económicos

v) El papel del tiempo (rezago) en los modelos económicos En economía, la dependencia de una
v) El papel del tiempo (rezago) en los modelos económicos En economía, la dependencia de una

En economía, la dependencia de una variable (endógena), respecto de otra u otras variables s (explicativas) raramente es instantánea. Frecuentemente, responde a en un lapso de tiempo, el cual se denomina rezago. Para ilustrar la naturaleza del rezago, se consideran aquí diversos ejemplos, gráficamente se observan ajustes según distintos factores, como veremos más adelante.

según distintos factores, como veremos más adelante. Ejemplo (tomado de Gujarati, 2006), de la Función Consumo.
según distintos factores, como veremos más adelante. Ejemplo (tomado de Gujarati, 2006), de la Función Consumo.

Ejemplo (tomado de Gujarati, 2006), de la Función Consumo. Suponga que se realiza un incremento de US$ 2000 en el nivel de ingreso, . El cambio en el gasto periódico, es como sigue, el 1er año 800, 2do año 600 y 3er año 400, ahorrando el resto.

=
=
año 800, 2do año 600 y 3er año 400, ahorrando el resto. = + 0.20 +
año 800, 2do año 600 y 3er año 400, ahorrando el resto. = + 0.20 +

+ 0.20

+
+
2do año 600 y 3er año 400, ahorrando el resto. = + 0.20 + + El
+
+
año 600 y 3er año 400, ahorrando el resto. = + 0.20 + + El modelo

El modelo lo podemos representar:

el resto. = + 0.20 + + El modelo lo podemos representar: = + 0.40 +
=
=
el resto. = + 0.20 + + El modelo lo podemos representar: = + 0.40 +

+ 0.40 + 0.30

Donde

que el efecto de un incremento en el ingreso de US$ 2,000 se propaga, o se distribuye, durante un periodo de tres años. Por consiguiente, modelos como el expresado se denominan Modelos de Rezagos Distribuidos por que el efecto de una causa dada (el ingreso) se propaga durante varios periodos.

es el gasto de consumo y es el ingreso. La ecuación anterior muestra

+ +
+
+
consumo y es el ingreso. La ecuación anterior muestra + + De manera general, se puede
consumo y es el ingreso. La ecuación anterior muestra + + De manera general, se puede

De manera general, se puede escribir:

+

+ +

que es el modelo de rezagos distribuidos con un rezago finito de k periodos.

+ ) + +
+
)
+
+

El coeficiente se conoce como el Multiplicador de Corto Plazo o de Impacto, porque da el cambio en el valor medio de que sigue a un cambio unitario en en el mismo periodo.

de que sigue a un cambio unitario en en el mismo periodo. La suma parcial de
de que sigue a un cambio unitario en en el mismo periodo. La suma parcial de
de que sigue a un cambio unitario en en el mismo periodo. La suma parcial de

La suma parcial de los coeficientes se denomina Multiplicadores Intermedios. Si el

cambio en

se mantiene al mismo nivelo desde el principio, entonces: (

en el periodo siguiente (+1). (

nos da el cambio en (el valor medio de)

) nos da el cambio en (el valor medio de) en el periodo siguiente (+2).

Finalmente el multiplicador después de k periodos se obtiene de la siguiente manera:

Econometría Aplicada Prof. Edson Apaza Mamani = + + + + = que se conoce
Econometría Aplicada
Prof. Edson Apaza Mamani
=
+
+
+ +
=
que se conoce como el Multiplicador de Rezagos Distribuidos de Largo Plazo o
Total, siempre y cuando exista la suma de .
La proporción del impacto de largo plazo, o total, sentido durante cierto periodo se
define como:
=
del ejemplo anterior:
=
+ 0.40 + 0.30
+ 0.20
+
Es decir, después de in incremento de US$ 1 en el ingreso, el consumidor aumentará
Es decir, después de in incremento de US$ 1 en el ingreso, el consumidor
aumentará su nivel de consumo en alrededor de 40 centavos de dólar en el año
del aumento, en otros 30 centavos en el año siguiente y en otros 20 centavos más
en el siguiente año. El impacto de largo plazo de un incremento de US$ 1 en el
ingreso es entonces 90 centavos.
= 0.40 + 0.30 + 0.20 = = 0.90
Asimismo, podemos estimar proporciones de impacto en cada periodo de tiempo,
asumiendo la estimación anterior, algunos ejemplos pueden ser que:
=
= 0.44, el 44% del impacto total de un cambio unitario en
sobre
se
siente inmediatamente.
.
.
=
=
= 0.77, el 77% se siente después de un año y
.
.
.
.
.
=
=
= 1.00, el 100% se siente al finalizar el segundo año.
.
.
Por lo tanto, las aplicaciones de este tipo de modelos corresponde a entender que:
 permite dar respuesta a cambios en sobre , ya que no es instantánea,
generalmente responde en un lapso de tiempo; y

la variable dependiente, toma tiempo para cambiar, en caso de existir una mutua dependencia, este cambio tomará otro tiempo en afectar a las independientes.

Estos ejemplos son solamente una muestra del uso de los rezagos en economía. Sin duda, usted puede darle diversos ejemplos con base a su propia experiencia y necesidades.

vi) Porqué usar rezagos en los modelos econométricos

Econometría Aplicada

Prof. Edson Apaza Mamani

Existen tres principales razones que explican el por qué se consideran los modelos de rezagos distribuidos y autoregresivos el periodo de tiempo, expresado como rezagos, bajo un modelo econométrico estructural:

a) Razones sicológicas

En este caso, se presenta como resultado de la fuerza del hábito (inercia), esto implica que, la gente no cambia sus hábitos de consumo inmediatamente después de una reducción de precios o de un incremento en el ingreso probablemente debido a que el proceso de cambio puede conllevar alguna desventaja inmediata. Por ejemplo, si usted ganara la Lotería Tinka, Cábala o Raspa y Gana , ¿Cómo afectará a su estilo de vida? De afectarle ¿el efecto es transitorio o permanente?.

b) Razones tecnológicas

Supóngase que el precio del capital relativo al trabajo reduce, (r/w), haciendo que la sustitución del capital por trabajo sea económicamente factible.

Por supuesto, la adición de capital toma tiempo (el periodo de trámite y adaptación). Además, si se espera que la caída en precios sea temporal. Las empresas pueden no apurarse a sustituir el capital por trabajo, especialmente si espera que luego de la caída temporal el precio del capital tal vez aumente más allá de su nivel anterior.

c) Razones institucionales

Las obligaciones contractuales pueden impedir que las empresas cambien de una fuente de trabajo o de materia primas a otra.

Por ejemplo, aquellos quienes han colocado fondos en cuentas de ahorro de largo plazo a termino fijo (fondos mutuos), tales como uno, tres o siete años, están esencialmente atrapados aun cuando las condiciones del mercado de dinero puedan ser tales que existan rendimientos más altos disponibles en otras partes. Por estas razones, el rezago desempeña un papel central en economía. Esto se refleja claramente en la metodología económica del corto plazo y largo plazo.

La elasticidad precio-ingreso de CP son generalmente menores, en valor absoluto, que las elasticidades correspondientes de largo plazo o que la PmgC de CP es generalmente menor que la PmgC de LP.

vii) Estimación de los Modelos de Rezagos Distribuidos

Para conocer empíricamente los resultados de estos modelos, se deben desarrollar las estimaciones de los parámetros de interés a través del método de regresión lineal. A priori se puede establecer un resultado sencillo de MCO, con el cual se derivan los estimadores que indican los cambios de variables en distintos periodos

Econometría Aplicada

Prof. Edson Apaza Mamani

del tiempo. Aunque parecen básicas, las estimaciones pueden llegar a presentar dificultades, como:

a) La escogencia del número de rezagos que influyen en la estimación. A medida que se tienen en cuenta más rezagos se pierden grados de libertad.

b) Los rezagos están altamente correlacionados, originando multicolinealidad en el modelo.

c) Puede existir problema de autocorrelación en los errores por la presencia de variables dependientes rezagadas.

En vista de estas dificultades, es posible encontrar una expresión básica que conlleve a los mismos resultados esperados en un principio. Para este fin, se tendrán en cuenta dos transformaciones: la de Koyck y Almon. Asimismo se discutirán los modelos de expectativas adaptativas, de ajuste parcial (Nerlove) y se tendrá en cuenta la prueba h de Durbin para detectar problemas de autocorrelación. Una vez que se está de acuerdo en que los modelos de rezagos distribuidos desempeñan un papel bastante útil en economía, ¿cómo se estiman dichos modelos?.

Supongamos, que se tiene el siguiente modelo de rezagos distribuidos en función de una variable explicativa:

+

=
=
+ +
+
+
en función de una variable explicativa: + = + + + + + como no se
+
+
en función de una variable explicativa: + = + + + + + como no se

+ +

como no se ha definido la longitud del rezago, ¿Qué tan atrás en el pasado se desea ir?

Podemos tener dos tipos de modelos:

a) Modelo de rezagos distribuidos infinitos (cuando k no está definido)

rezagos distribuidos infinitos (cuando k no está definido) b) Modelo de rezagos distribuidos finitos (cuando k

b) Modelo de rezagos distribuidos finitos (cuando k está definido)

de rezagos distribuidos finitos (cuando k está definido) ¿Cómo se estiman y del modelo? Se pueden
de rezagos distribuidos finitos (cuando k está definido) ¿Cómo se estiman y del modelo? Se pueden

¿Cómo se estiman y del modelo? Se pueden adoptarse dos enfoques:

suponiendo que (las

a) Estimación ad hoc

b) Restricciones a priori sobre las sistemático (Koyck y Almon)

s) siguen un patrón

viii) Rezago óptimo

(Koyck y Almon) s) siguen un patrón viii) Rezago óptimo  Estimación ad-hoc y Puesto que

Estimación ad-hoc

y
y

Puesto que se supone que la variable explicativa

no es estocástica (o por ), igualmente son no

lo menos no correlacionada con el término de error

estocásticos

Por consiguiente, en principio, el método de MCO puede ser aplicado.

, y así sucesivamente.

Se

secuencialmente:

siguiere

que

para

estimar

el

modelo

se

puede

proceder

Econometría Aplicada Prof. Edson Apaza Mamani - primero hacer la regresión de sobre - segundo
Econometría Aplicada
Prof. Edson Apaza Mamani
- primero hacer la regresión de
sobre
- segundo hacer la regresión de
sobre
y
- tercero hacer la regresión de
sobre
,
y
,
- y así sucesivamente.

Este proceso secuencial se detiene cuando los coeficientes de regresión de las variables rezagadas empiezan a hacerse estadísticamente no significativos y/o el coeficiente de por lo menos una de las variables cambia de signo de positivo a negativo o viceversa.

Aunque la estimación ad hoc parece sencilla y discreta, ésta posee muchas desventajas, como las siguientes:

(i)

No hay guía a priori sobre la longitud máxima que debe tener el rezago.

(ii)

A medida que se estiman rezagos sucesivos, quedan menores grados de libertad, con lo cual la inferencia estadística se hace algo débil. Generalmente no se dispone de información considerablemente grande que les permita estimar numerosos rezagos.

(iii)

Aún más importante, en la información de series de tiempo económica, los valores (de rezagos) sucesivos tienden a estar altamente correlacionado; por tanto, la multicolinealidad sale a relucir.

(iv)

La búsqueda secuencial de la longitud de los rezagos hace que el investigador pueda ocurrir en datamining (desgaste). También, el nivel de significancia nominal y verdadero para probar hipótesis estadísticas se convierte en un asunto importante en tales búsquedas secuenciales.

En vista de los problemas anteriores, es muy poco lo que puede recomendarse en el

En vista de los problemas anteriores, es muy poco lo que puede recomendarse en el procedimiento de estimación ad hoc. Claramente, deben tenerse en cuenta algunas consideraciones previas o teóricas para tratar las diversas s si se desea salir adelante con el problema de estimación.

a) Práctica

Con la información

use http://www.stata-press.com/data/r8/invest2.dta, clear

definimos la estructura de las series de tiempo utilizando el comando tsset

tsset company time

realizamos las regresiones a priori y encontrar la longitud del rezago óptimo para la variable explicativa

regress invest market regress invest market l.market

Econometría Aplicada

Prof. Edson Apaza Mamani

regress invest market l.market l2.market regress invest market l.market l2.market l3.market

analizar los resultados de las regresiones y verificar la consistencia de los signos y otros.

Econometría Aplicada

Prof. Edson Apaza Mamani

ECONOMETRÍA APLICADA Prof. Edson Apaza Mamani MODELO AUTOREGRESIVOS

2.

Modelos Autoregresivos

Son aquellos modelos en el que el efecto se recoge mediante la incorporación de la variable dependiente rezagada, como una variable explicativa. Estos modelos suponen la violación de uno de los supuestos básicos: de que las variables explicativas no son aleatorias, en virtud de que la variable endógena retardada depende del error aleatorio y por consiguiente, tiene un carácter estocástico.

Al respecto debe comentarse que los resultados de la estimación MCO de un modelo con regresores estocásticos están condicionados al tipo de DEPENDENCIA que existe entre estos y los errores.

2.1.

Enfoque de KOYCK para estimar Modelos de Rezagos Distribuidos

Koyck propuso un método ingenioso de estimación de los modelos de rezagos distribuidos. Para ello
Koyck propuso un método ingenioso de estimación de los modelos de rezagos
distribuidos. Para ello se requiere suponer el siguiente modelo de rezago
distribuido infinito,
=
+
+
+
+
+
Suponiendo que los s tienen todos los mismos signos, Koyck da por hecho que
éstos se reducen geométricamente de la siguiente manera:
=
,
=1,2,
tal que 0 <
< 1. Donde es denominada como la tasa de descuento, o de caída,
del rezago distribuido y donde 1
se le conoce como la velocidad de ajuste.
Lo que postula del efecto es que con cada rezago de sobre se hace
progresivamente menor; un supuesto bastante razonable.

Después de todo, se espera que los ingresos actuales y del pasado reciente afecten al gasto de consumo actual con mayor peso que el ingreso en el pasado distante.

El procedimiento en Stata es como sigue:

drop _all set obs 30 gen x = _n gen t = x-1 gen betha25=10*.25^t gen betha50=10*.5^t gen betha75=10*.75^t gen betha85=10*.85^t gen betha95=10*.95^t scatter betha25 betha50 betha75 betha85 betha95 t

Econometría Aplicada

Prof. Edson Apaza Mamani

Geométricamente, el esquema Koyck se ilustra en la figura siguiente:

Enfoque de Koyck: modelo de rezago distribuido estimado

10

8

6

4

2

0

0 10 20 30
0
10
20
30

t

betha25 betha50 betha75 betha85 betha95
betha25
betha50
betha75
betha85
betha95
10 8 6 4 2 0 0 10 20 30 t betha25 betha50 betha75 betha85 betha95
.
.
10 8 6 4 2 0 0 10 20 30 t betha25 betha50 betha75 betha85 betha95
10 8 6 4 2 0 0 10 20 30 t betha25 betha50 betha75 betha85 betha95

Como se observa en la figura, el valor del coeficiente del rezago , depende,

aparte del común, del valor de . Entre más cerca de 1 esté, más lenta será la

de . Entre más cerca de 1 esté , más lenta será la tasa de descenso

tasa de descenso en será el descenso en

En el primer caso, los valores del pasado distante de ejercerán un impacto considerable sobre , mientras que en el último caso, su influencia sobre desaparecerá rápidamente. Este patrón puede verse claramente en la siguiente tabla:

, mientras que, entre más cerca esté de cero, más rápido

que, entre más cerca esté de cero , más rápido o 1 2 3 4 5

o

1

2

3

4

5

6

10

0.75

o

0.75 o

0.56 o

0.42 o

0.32 o

0.24 o

0.18 o

0.06 o

0.25

o

0.25 o

0.06 o

0.02 o

0.004 o

0.001 o

0.000 o

0.00 o

Y gráficamente, como la observada anteriormente.

(ii)

(iii)

Y gráficamente, como la observada anteriormente. (ii) (iii) Obsérvese estas características del esquema de Koyck: (i)
Y gráficamente, como la observada anteriormente. (ii) (iii) Obsérvese estas características del esquema de Koyck: (i)
Y gráficamente, como la observada anteriormente. (ii) (iii) Obsérvese estas características del esquema de Koyck: (i)

Obsérvese estas características del esquema de Koyck:

(i)

Obsérvese estas características del esquema de Koyck: (i) al suponer valores negativos para , Koyck elimina

al suponer valores negativos para , Koyck elimina la posibilidad de que las cambien de signo.

en el pasado distante

que las actuales, y

Asegura que la suma de las , que proporciona el multiplicador de largo plazo, es finita, a saber.

Al suponer que < 1, le da un menor peso a las

Econometría Aplicada

1 = 1 1 = = = 1 = = + + + + +
1
=
1
1
=
=
=
1
=
=
+
+
+
+
+
= +
+
+
+
+
1 1 = = = 1 = = + + + + + = + +

Prof. Edson Apaza Mamani

Tarea 1, demostrar la expresión anterior.

Como resultado de

, por tanto el siguiente modelo de rezagos infinitos:

de , por tanto el siguiente modelo de rezagos infinitos: puede escribirse como: como está planteado,

puede escribirse como:

como está planteado, el modelo aún no está adecuado para su fácil estimación puesto que un gran número (literalmente infinito) de parámetros quedan aún por ser estimados y el parámetro ingresa en una forma por completo no lineal:

estrictamente hablando, el método de análisis de regresión lineal (en parámetros) no puede ser aplicado a un modelo de este tipo. Pero ahora Koyck sugiere una forma alternativa para lograrlo (transformación de Koyck), rezagando un periodo para obtener:

= + + + + + obteniendo: = (1 )+ +( ) = (1 )+
= +
+
+
+
+
obteniendo:
= (1 )+
+(
)
=
(1 )+
+
+(
)
=
(1 )+
+
+
=
es un promedio móvil (MA) de
y
y

.

) = (1 )+ + + = es un promedio móvil (MA) de y y .

este resultado lo multiplicamos por

a

último resultado:

o

reordenando,

. Luego restamos del modelo inicial este

modelo Autoregresivo (AR) de primer orden conformado por

tres incógnitas:

donde

. Además, es un

Se observa la enorme simplificación lograda por Koyck. Mientras que antes era preciso estimar y un n úmero infinito de , ahora se tiene que estimar solamente

úmero infinito de , ahora se tiene que estimar solamente , y . Ahora bien, no
úmero infinito de , ahora se tiene que estimar solamente , y . Ahora bien, no
úmero infinito de , ahora se tiene que estimar solamente , y . Ahora bien, no

, y . Ahora bien, no hay razón para esperar multicolinealidad.

En cierto sentido, la multicolinealidad se resuelve remplazando y , por una variable única, a saber, . Pero obsérvese las siguientes características de transformación de Koyck:

características de transformación de Koyck:  Se empezó con un modelo de rezagos distribuidos y se

Se empezó con un modelo de rezagos distribuidos y se terminó con un modelo autoregresivo por que aparece como una de las variables explicativas. Esta transformación muestra como un modelo de rezagos distribuidos se puede convertir en un modelo autoregresivo.

Econometría Aplicada Prof. Edson Apaza Mamani  Es probable que la aparición de genere algunos

Econometría Aplicada

Prof. Edson Apaza Mamani

Es probable que la aparición de genere algunos problemas estadísticos en el modelo estimado. al igual que , es estocástica, lo cual significa que se tiene una variable explicativa estocástica en el modelo.

se tiene una variable explicativa estocástica en el modelo.  El modelo original = + +
se tiene una variable explicativa estocástica en el modelo.  El modelo original = + +

El modelo original = + +

+ + , el término de

 El modelo original = + + + + , el término de error era ,

error era , mientras que en el modelo transformado es = . Las propiedades estadísticas de depende de lo que suponga sobre las propiedades estadísticas de , ya que como se muestra más adelante, si las originales no están serialmente correlacionados, las están serialmente correlacionados entre sí. Por consiguiente, se debe tener que enfrentar el problema de correlación serial adicionalmente a la variable explicativa estocástica .

adicionalmente a la variable explicativa estocástica .  La presencia de la rezagada viola uno de
adicionalmente a la variable explicativa estocástica .  La presencia de la rezagada viola uno de

La presencia de la

rezagada viola uno de los supuestos en los cuales se

 

basa la prueba de d de Durbin-Watson.

Por consiguiente, se deberá

desarrollar una prueba alternativa para verificar la correlación serial en

presencia de una Y rezagada. Una alternativa es la prueba h de Durbin.

 
a) Mediana de los Rezagos.
a) Mediana de los Rezagos.

La mediana de los rezagos es el tiempo requerido para la primera mitad, o el 50% del cambio total ocurrido en Y como consecuencia de un cambio unitario sostenido en X. Par el modelo de Koyck, la mediana de los rezagos es la siguiente:

modelo de Koyck, la mediana de los rezagos es la siguiente: Mediana de los rezagos: 
modelo de Koyck, la mediana de los rezagos es la siguiente: Mediana de los rezagos: 

Mediana de los rezagos:

log 2

log

Así si = 0.2, la mediana de rezagos es 0.4306, pero si = 0.2, la mediana de rezagos es 3.1067. Expresado verbalmente, en el primer caso, el 50% del cambio total en Y se logra en menos de la mitad de un periodo, mientras que en el último caso, requiere más de 3 periodos para alcanzar el cambio del 50%.

Esto no debe de sorprendernos, ya que entre más alto sea el valor de menor será la velocidad de ajuste y entre menor sea el valor de mayor será la velocidad de ajuste.

b) Rezago Medio.
b) Rezago Medio.
:
:

Siempre y cuando todas la k sean positivas, el rezago medio o promedio se define como:

Que es simplemente el promedio ponderado de todos los rezagos involucrados, con los coeficientes actuando como ponderaciones. En resumen, es un promedio ponderado rezagado de tiempo. Para el modelo de Koyck, el rezago medio es:

Econometría Aplicada Prof. Edson Apaza Mamani De la expresión: = (1 ) + + +
Econometría Aplicada
Prof. Edson Apaza Mamani
De la expresión:
=
(1 ) +
+
+

Modelo Koyck: rezago medio=

1

Es claro que la mediana y la media de los rezagos sirven como medida resumen de la velocidad con la cual Y responde a X.

Por ejemplo, el rezago medio alrededor de 11 periodos, indica de que se requiere de algún tiempo, en promedio, para que el efecto de los cambios en por decir de la oferta monetaria se sienta en los cambios de precios.

de la oferta monetaria se sienta en los cambios de precios. + es 2.2. Expectativas Adaptativas
de la oferta monetaria se sienta en los cambios de precios. + es 2.2. Expectativas Adaptativas
+
+
es
es

2.2. Expectativas Adaptativas

Aunque es muy claro, el modelo de Koyck = (1 ) + +

una especificación ad hoc puesto que fue obtenido mediante un proceso puramente algebraico; está desprovisto de cualquier soporte teórico. Pero esta falla puede suplirse si se empieza desde una perspectiva diferente.

= +
=
+
+
+

Supongamos que se tiene el modelo:

diferente. = + + Supongamos que se tiene el modelo: Donde: , es la demanda de
diferente. = + + Supongamos que se tiene el modelo: Donde: , es la demanda de
diferente. = + + Supongamos que se tiene el modelo: Donde: , es la demanda de

Donde: , es la demanda de dinero (balances reales de efectivo). , es la tasa de interés nominal esperada de largo plazo o de equilibrio, u óptima, y , es el término de error. Así la ecuación postula que la demanda de dinero es función de la tasa de interés esperada (en el sentido de anticipación).

tasa de interés esperada (en el sentido de anticipación). Como la variable (explicativa) de expectativa no
Como la variable (explicativa) de expectativa no es directamente observable, se puede proponer la siguiente
Como la variable (explicativa) de expectativa no es directamente observable, se
puede proponer la siguiente hipótesis sobre la manera cómo se conforma las
expectativas:
=
(
).
Donde , tal que 0 <
1, es conocido como el Coeficiente de Expectativas. La
hipótesis = ( ) es conocida como hipótesis de Expectativas
Adaptativas, expectativas progresivas o de aprendizaje por error, popularizada por
Cagan y Friedman.
= ( ) implica que, los agentes económicos adaptaran sus
expectativas a la luz de la experiencia pasada y que en particular, ellos aprenderán
de sus errores

Más específicamente, establece que las expectativas son corregidas cada periodo por una fracción de la brecha entre el valor actual de la variable y su valor esperado anterior. Así, para nuestro modelo esto significaría que las expectativas sobre las tasas de interés son corregidas cada periodo por una fracción de la discrepancia entre la tasa de interés observada en el periodo actual y lo que había sido su valor anticipado en el periodo anterior.

=
=
= Econometría Aplicada Prof. Edson Apaza Mamani Otra forma de plantear es: +(1 ) Lo cual

Econometría Aplicada

Prof. Edson Apaza Mamani

Otra forma de plantear es:

Aplicada Prof. Edson Apaza Mamani Otra forma de plantear es: +(1 ) Lo cual muestra que
Aplicada Prof. Edson Apaza Mamani Otra forma de plantear es: +(1 ) Lo cual muestra que

+(1 )

Lo cual muestra que el valor esperado de la tasa de interés en el tiempo t es un promedio ponderado del valor actual de la tasa de interés en el tiempo t y su valor esperado en el periodo anterior, con ponderaciones de y (1 ), respectivamente.

anterior, con ponderaciones de y (1 ) , respectivamente. Si = 1 entonces = , lo

Si = 1 entonces = , lo cual significa que las expectativas se cumplen inmediatamente y en forma completa, es decir, en el mismo periodo.

Si = 0 entonces = , lo que significa que las expectativas son estáticas, es decir, las condiciones que prevalecen hoy se mantendrán en todos los periodos subsiguientes. Los valores futuros esperados se identifican entonces con los valores actuales .

De la hipótesis de formación de expectativas, = despejamos y se sustituye en el modelo
De
la
hipótesis
de
formación
de
expectativas,
=
despejamos
y se sustituye en el modelo de
.
= [
+
+(1 ) ]+
= +
+
(1
)
+
Luego, del modelo inicial,
=
+
multiplicamos por (1
).
(1 )
=(1 )
+(1 ) +(1 )
A continuación se hace la diferencia de
= +
+(1 )
+
(1 )
= +
+(1 )
+
donde
=
(1 )
La diferencia entre el modelo original
=
+
= +
+ (1 )
+ , es que:
 En la primera,
mide la respuesta promedio de
en
, el valor de equilibrio o de largo plazo de
 En la segunda
en el valor actual u observado de
. . = + = 1 . +
.
.
= +
= 1 .
+
en el valor actual u observado de . . = + = 1 . + Para

Para obtener un modelo estimable econométricamente, debe procederse de la siguiente manera:

( ),
(
),

+ , lo rezagamos un periodo y luego

+ y el modelo resultado

ante un cambio unitario

mide la respuesta promedio de Y ante un cambio unitario

Estas respuestas no serán las mismas a menos, por supuesto que = 1, es decir, los valores actuales y de largo plazo de sean los mismos, = .

actuales y de largo plazo de sean los mismos, = . En la práctica; primero se
actuales y de largo plazo de sean los mismos, = . En la práctica; primero se

En la práctica; primero se estima

valor de

Calcular . Dividiendo / .

primero se estima valor de Calcular . Dividiendo / . de la variable rezagada + ;

de la variable rezagada

+ ; segundo, se calcula el

Econometría Aplicada

Prof. Edson Apaza Mamani

La diferencias y/o similitud entre los modelos de las expectativas adaptativas y el modelo de Koyck:

Las

v

t

u

t

expectativas

1

u

t 1

y

El modelo de Koyck

Y

t

adaptativas

1

0

Y t

X

t



Y

t

1

0

 

1

X

t

v

t

, donde

1

v

t

Y

t

1

u

t

v

t

u

,

t 1

donde

Las interpretaciones de los coeficientes en los dos modelos son diferentes.

Ambos modelos son autoregresivos

Los errores no son iguales.

2.3. Ajuste Parcial

El modelo de EA es una forma de racionalizar el modelo de Koyck. Otra racionalización ha sido dada por Marc Nerlove en el llamado Modelo de Ajuste Parcial (ajuste de existencias).

llamado Modelo de Ajuste Parcial (ajuste de existencias). = + Considere el Modelo Acelerador Flexible de
llamado Modelo de Ajuste Parcial (ajuste de existencias). = + Considere el Modelo Acelerador Flexible de
llamado Modelo de Ajuste Parcial (ajuste de existencias). = + Considere el Modelo Acelerador Flexible de
= +
=
+

Considere el Modelo Acelerador Flexible de la teoría económica, que supone que hay un nivel de existencia de capital de equilibrio, óptimo deseado, o de largo plazo requerido para generar una producción dada bajo unas condiciones dadas de tecnología, tasa de interés, etc.

Por simplicidad, suponga que este nivel de capital deseado Y* es una función lineal de la producción X de la forma:

+
+

Puesto que el nivel deseado de capital no es directamente observable, Nerlove postula la siguiente hipótesis, conocida como Hipótesis de Ajuste Parcial o de Ajuste de Existencias:

=
=
( )
(
)
donde , tal que 0 < Puesto que ( ). La ecuación = (
donde
, tal que 0 <
Puesto que
(
).
La ecuación
=
(
, tal que 0 < Puesto que ( ). La ecuación = ( 1 , es
, tal que 0 < Puesto que ( ). La ecuación = ( 1 , es

1, es conocido como el Coeficiente de Ajuste y donde

es el cambio en las existencias de capital Observado, y el cambio en las existencias de capital Deseado.

, y el cambio en las existencias de capital Deseado . es el cambio en la
, y el cambio en las existencias de capital Deseado . es el cambio en la

es el cambio en la existencia de capital entre dos periodos,

es el cambio en la existencia de capital entre dos periodos, no es otra cosa que
es el cambio en la existencia de capital entre dos periodos, no es otra cosa que

no es otra cosa que la inversión, entonces podríamos escribir como =

el cual

), es igual a, = + (1 )

postula que el cambio observado en las existencias de capital (la inversión) en cualquier momento del tiempo t es alguna fracción del cambio deseado durante ese periodo.

Econometría Aplicada

Prof. Edson Apaza Mamani

Si = 1, significa que las existencias de capital reales son iguales a las existencias deseadas, es decir, las existencias reales se ajustan instantáneamente (durante el mismo periodo) a las deseadas.

instantáneamente (durante el mismo periodo) a las deseadas. Si = 0 , significa que nada cambia

Si = 0, significa que nada cambia puesto que las existencias actuales en el tiempo t son las mismas que las observadas en el periodo anterior.

Típicamente, se espera que

se encuentre dentro de estos extremos puesto que

es probable que el ajuste a las existencias deseadas de capital sea incompleto debido a
es probable que el ajuste a las existencias deseadas de capital sea incompleto
debido a rigideces, inercia, obligaciones contractuales, etc., de aquí el nombre de
Modelo de Ajuste Parcial.
= + (1 ) , indica que las existencia de capital observadas en el
tiempo t son un promedio ponderado de las existencias de capital deseado en ese
momento y las existencias de capital observadas en el periodo anterior, siendo y
1 las ponderaciones.
en el periodo anterior, siendo y 1 las ponderaciones. Teniendo: = + + y = +(1

Teniendo: = +

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

Sustituimos la primera en la segunda:

Este modelo se denomina Modelo de Ajuste Parcial (MAP)

De la expresión,

=
=
* Y     t 0 1 +
*
Y
t
0
1
+

X

t

 u t +
 u
t
+

se interpreta como la demanda de existencias

X t  u t + se interpreta como la demanda de existencias de capital de

de capital de largo plazo o de equilibrio.

Y de,

+ (1 )

puede denominarse la función de

demanda de existencias de capital de corto plazo, puesto que en el corto plazo, las
demanda de existencias de capital de corto plazo, puesto que en el corto plazo, las
existencias de capital pueden no ser necesariamente iguales a su nivel en el largo
plazo.
¿Cómo obtener
y
?

estimar la función de CP.

y
y
y
y

dividiendo a

por .
por
.

el coeficiente de la variable endógena rezagada se le resta 1.

se hallan los

representar = + +

18

Econometría Aplicada

Prof. Edson Apaza Mamani

Y* Y 2 Y 1 t 1 t 2 t 3 t 4 t 5
Y*
Y
2
Y
1
t 1
t 2
t 3
t 4
t 5

Ajuste gradual de existencias de capital.

19

Econometría Aplicada

Prof. Edson Apaza Mamani

ECONOMETRÍA APLICADA Prof. Edson Apaza Mamani MODELO DE DISTRIBUCION DE ALMON

3.

Almon

Aunque se ha utilizado extensamente en la práctica, el modelo de rezagos distribuidos de Koyck está basado en el supuesto de que los coeficientes se reducen geométricamente a medida que el rezago aumenta. Este supuesto puede ser muy restrictivo en algunas situaciones (ver ejemplo 17.7.)

β β i i x x x x x x x x x x x
β
β
i
i
x
x
x
x
x
x
x
x
x
x
x
x
x
x
0
1
2
3
Rezago i
0
1
2
3
Rezago i
(a)
(b)
β
i
β
i
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
0
1
2
3
Rezago i
0
1
2
3
Rezago i
(c)
(d)

En la figura a se supone que las aumentan al principio y luego disminuyen, En la figura c se supone que siguen un patrón cíclico.

El esquema de Koyck de modelos de rezagos distribuidos no funcionará en estos casos.

Luego de mirar las figuras a y c, parece posible expresar i como función de i, la duración del rezago (tiempo) y ajustar curvas apropiadas para reflejar la relación funcional entre las dos, como lo indican las figuras b y d. Este método es

20

Econometría Aplicada

Prof. Edson Apaza Mamani

precisamente el sugerido por Shirley Almon. Para ilustrar su técnica, se considera nuevamente el modelo finito de rezagos distribuidos analizado anteriormente, de la forma:

Y

t

0

X

t

1

X

t

1

2

X

t

2

K

X

t

K

u

t

el cual puede escribirse en forma más compacta como:

Y

t

k

i 0

i

X

t

i

u

t

Siguiendo un teorema matemático conocido como el Teorema de Weierstrass, Almon supone que i puede ser aproximado mediante un polinomio en i, la longitud del rezago de un grado apropiado. Por ejemplo, si el esquema de rezagos que se muestran en la figura a se aplica, puede escribirse como:

Polinomio cuadrático (fig. b)

Polinomio cúbico (fig, d) :

Polinomio cuadrático

:

i

i

Polinomio m-ésimo

a

a

:

0

0

:

i

a i

1

a i

1

a

0

i

a

0

a i

1

a i

2

a i

2

2

a i

3

3

a i

2

2

a i

3

3

a i a i

1

2

2

2

a i

4

4

3

a i

3

a

m

i

m

Para explicar la forma cómo funciona el esquema de Almon, se supone que las siguen el patrón que aparece en la figura a y, por consiguiente, la aproximación polinomial de segundo grado es apropiada.

Suponiendo

el

polinomio

de

segundo

grado

i

compacta del modelo de rezagos distribuidos infinito

Y

t

Y

t

Y

t

k

i

0

k

i 0

a

0

a

0

a i a i

1

2

2

X

t

i

u

t

a X

0

k

i 0

X

t

t

i

i

a iX

1

a

1

k

i 0

t

i

iX

a i

2

2

t

i

a

X

t

i

2

k

i 0

i

u

t

2

X

t

i

u

t

Y

t

a

0

a i

1

k

i 0

Que puede escribirse como:

Donde:

Z

0 t

k

i 0

X

t i

,

Z

1 t

Y

t

a Z

0

0

t

a Z

1

1

t

a Z

2

2

t

k k

i 0

iX

t i

, y

Z

2 t

i 0

i

2

X

t i

u

t

a i

2

2

i

X

t

en

i

u

la

t

.

forma

En el esquema de Almon, se hace una regresión de Y sobre las variables Z construidas, no sobre las variables X originales.

21

Econometría Aplicada

Prof. Edson Apaza Mamani

El

de MCO.

modelo

Y

t

a Z

0

0

t

a Z

1

1

t

a Z

2

2

t

u

t

puede estimarse utilizando el método

Las estimaciones de y

siempre y cuando el término de perturbación estocástica u satisfaga los supuestos del modelo clásico de regresión lineal.

i tendrán todas las propiedades estadísticas deseables

A este respecto, la técnica de Almon tiene una clara ventaja sobre el método de
A este respecto, la técnica de Almon tiene una clara ventaja sobre el método de
Koyck porque, como se ha visto, el último tiene algunos problemas graves de
estimación que resultan de la presencia de la variable explicativa estocástica Y t-1
y de su probable correlación con el término de perturbación.

Una vez estimado las a s, pueden estimarse las s originales, de la siguiente forma:

i

a

0

a i

1

a i

2

2

Reemplazando los valores respectivos para i, se obtienen los valores de los parámetros de interés y ver la magnitud del impacto de los rezagos en la variable dependiente.

0

a

0

1 a

0

a a

1

2

2

a 2a 4a

0

1

2

3

a 3a 9a

0

1

2

4

5

6

a

0

4a 16a

1

a

0

5a 25a

1

2

2

a

0

6a 36a

1

2

k

a

0

ka

1

k

2

a

2

Antes de aplicar la técnica de Almon, se deben resolver los siguientes problemas prácticos:

(i)

La longitud máxima del rezago k debe ser especificada por adelantado.

(ii)

Habiendo especificado k, se debe especificar también el grado m del polinomio. El grado del polinomio debe ser por lo menos uno más que el número de puntos de inflexión en la curva que relaciona i con i.

(iii)

Una vez que k y m han sido especificadas, las Z pueden construirse fácilmente.

de manera general, asumiendo un polimonio de grado m:

22

Econometría Aplicada

Prof. Edson Apaza Mamani

i a

0

ia

1

i

2

a

2

3

i a

3

i

m

a

m

El orden del polinomio, m, es usualmente tomado como bastante bajo, raramente exceden el tercer o cuarto grado.

El primer procedimiento es verificar la longitud de rezago, q, y el grado del polinomio, m.

Y

t

Y

t

Y

t

k

i 0

k

i

0

k

i

0

a

0

ia

1

i

m

a

a

0

0

X

t

X

t

i

i

ia X

1

t

i

k

i

0

ia X

1

a

mi

t

i

X

t

i

i

m

u

t

a

mi

k

0

i

X

i

m

t

a

i

mi

u

X

t

t

i

u

t

Como a i es una constantes:

Y

t

a

0

k

i

0

X

t

i

a

1

k

i

0

iX

t

i

a

m

k

0

i

i

m

X

t

i

u

t

Siendo el modelo a estimar:

Y

t

a Z

0

0

Donde:

t

Z 0

X

t

X

t

-1

a Z

1

1

X

t

-2

t

Z 1

Z

2

0X

0X

t

t

X

t

-1

2

1 X

t

-1

2X

2

X

t

-2

2

X

t

a

m

Z

mt

t

-3

X

t

-4

3X

-2

t

-3

3

2

X

4X

t

t

-3

X

-4

4

2

X

t

t

-q

i

X

-4

t

-q

i

2

X

t -q

Z m

0X

t

X

t -1

2

m X

t -2

3

m

X

t

-3

4

m X

t -4

i

m X t

-q

Tal y como se verá, se debe tener cuidado al utilizar la técnica de rezago distribuido Almon, puesto que los resultados pudieran llegar a ser sensibles a la hora de elegir el grado del polinomio y/o el número de coeficientes rezagados.

23

Econometría Aplicada

Prof. Edson Apaza Mamani

ECONOMETRÍA APLICADA Prof. Edson Apaza Mamani INTRODUCCION A LAS SERIES DE TIEMPO Y RAIZ UNITARIA

1. INTRODUCCIÓN

Una serie de tiempo es un conjunto de observaciones sobre los valores que toma una variable en diferentes momentos del tiempo. Dicha información debe se recopilada a intervalos regulares.

i) Algunos ejemplos de información de series de tiempo:

ii) Diaria: precio de las acciones; semanal: oferta monetaria;

iii) Mensual: IPC, Tipo de cambio, dinero, cuasidinero, PIB;

iv) Trimestral: PIB, Consumo privado, gasto pública, Inversión Bruta Interna, Exportaciones, Importaciones;

v) Anual: PIB;

vi) Quinquenal: encuesta de hogares para IPC, censo industriales;

vii) Decenal: Cencos poblacionales.

Los tipos de variables frecuentemente utilizadas son:

Variables Cuantitativas: son variables que contienen numeraciones continuas, es decir que representan determinadas cantidades, algunos ejemplos son el Ingreso, precio, oferta monetaria, entre otros.

Variables Cualitativas: este tipo de variables también son denominadas discretas y dummies, estas representan ciertas eventos o cualidades que se desean analizar como por ejemplo, masculino o femenino, empleado o desocupado, blanco o negro, casado

o soltero.

La información de series de tiempo a utilizarse requieren ser revisadas su estacionariedad, este criterio nos permitirá desarrollar trabajos empíricos.

Una primera definición de una serie de tiempo estacionaria es si el valor de su media y varianza no varía sistemáticamente en el tiempo.

2. CONCEPTOS BÁSICOS

A continuación definimos conceptos usuales en el análisis de las series de tiempo.

2.1. Estacionalidad de una Serie.

24

Econometría Aplicada

Prof. Edson Apaza Mamani

Repetición de un cierto patrón de comportamiento en forma periódica, un elemento adicional que lo caracteriza es que los periodos en que el factor estacional se repite son de igual amplitud, por ejemplo cada 12 meses: navidad, fiestas patrias,

2.2. Estacionariedad de una Serie

En sentido débil o de segundo orden, diremos que una serie es estacionaria si tiene sus momentos de primer y segundo orden finitos y que no varían en función del tiempo. Es decir, el proceso estocástico en tiempo discreto sin hacer referencia a los de tiempo continúo.

2.3. Proceso Estocástico

Llamamos proceso estocástico a una sucesión de variables o familia de variables

aleatorias

que corresponden a momentos sucesivos del tiempo, donde t= - ,

-2, -1, 0, 1, 2,

Y

t

La determinación de características de un proceso estocástico puede hacerse mediante dos formas:

- A partir de las funciones de distribución conjunta.

- A partir de sus momentos.

Para un conjunto finito de valores del tempo, se obtiene una función de distribución

conjunta:

F

y

t

1

(

t

1

),

y

t

2

(

t

2

),,

y

t

m

(

t

m

)

Este procedimiento es en general complicado por lo que se acostumbra a utilizar el método de momentos.

Media o momentos de primer orden:

t

(

E Y

0

),

El subíndice e t señala que será en general distinta para cada periodo de tiempo.

Momento de segundo orden respecto a la media:

COV :

VAR

:

t s

,

,

t t

cov

var

y

y

t

t

,

y

s

E y

t

E

y

t

t

2

t

y

s

s

,

t

s

Existe una forma alternativa de caracterización de un proceso estocástico, para ello se utilizan los coeficientes de autocovarianza.

t s

,

cov  y , y  t s var  y  var  y
cov
y
,
y
t
s
var
y
var
y
t
s

La caracterización de un proceso estocástico mediante momentos de primer y segundo orden es más incompleta que cuando se hace mediante funciones de distribución.

25

Econometría Aplicada

Prof. Edson Apaza Mamani

2.4. Ruido Blanco

Ruido blanco es una sucesión de variables aleatorias con esperanza cero, e igual

varianza e independientes en el tiempo. Denotaremos por

t

-

-

-

Media:

Varianza:

Covarianza:

E

0

t

E

t

E

2

t

var



t

t

2

s

s

2

cov

t

,

s

0

2.5. Paseo Aleatorio

Es un proceso estocástico

Y

t

cuyas primeras diferencias forman un r.b.

Y

t

t

Y

t

Y

t

1

t

, t = ,-2,-1, 0, 1,2,

2.6. Estacionariedad en Sentido Estricto

Un proceso estocástico

(t 1 , t 2 , , t m ) para todo entero m , el vector de variables (

distribución conjunta que el vector (

Y

t

es estacionario en sentido estricto

,

si para toda m-tupla

tiene la misma

,

y

t

1

,

y

t

2

y

t

m

)

y

t

1

k

,

y

t

2

k

,

,

y

t

m

k

)

para todo k entero.

2.7. Operador de diferencias y de Retardos

la

diferencias y de retardos, los mismos que serán desarrollados seguidamente:

Los

modelos

ARIMA

requiere

de

utilización

de

operadores

matemáticos

de

a. Operador de Diferencias.

1

Y

t

Y

t

Y

t 1

Se tiene la diferencia entre el valor referido al momento actual y

el valor que toma la variable en periodo inmediatamente anterior.

2

Y

t

 

 

Y

t

Y

t

Y

t

Y

t

Y

 

Y

2

Y

t 1

t

t

Y

t 1

1

1

Y

t

Y

t

2

1

Y

t

2

Determine el 3er orden de retardo:

3

Y

t

 

  

Y

t

Y

 

Y

 

Y

2

Y



t 1

t

  

 

 

 

Y

Y

Y

t

Y

t 1

Y

Y

t

t

1

t

Y

t

3

2

t

1

Y

t

t

t

Y

t

1

Y

t

1

3

 

Y

t

2



2

Y

t



2

1

Y

t

2

Y

t

Y

t

3

2



26

Econometría Aplicada

Prof. Edson Apaza Mamani

t

Y

t

1

Y

t

2

Y

t

3

Y

t

1

100

-

-

-

2

105

5

-

-

3

112

7

2

-

4

120

8

1

-1

5

124

4

4

-5

6

123

-1

 

-5

1

Diferencias entre cada par de valores consecutivos

A

veces interesa tomar diferencias con intervalos mayores.

s

4

12

:

diferencias estacionales del periodo s (seasonal)

: datos trimestrales

datos mensuales

b.

El operador de retardos L aplicado a una sola variable significa que se retarda en 1 periodo el subíndice a que va referida la variable; es decir:

Operador de Retardos

En general:

3

L Y

t

LY

t

Y

t 1

L Y

t

L LY

t

LY

t

L L LY

t

L LY

t

1

2



k

L Y

t

Y

t

k

1

Y

t

LY

t

2

2

Y

t

3

El

operador de retardos identidad es:

0

L Y

t

0

L

I

Y

t

1

El operador L puede manipularse como si fuera una cantidad algebraica cualquiera.

K

L

L aY

t

S

L

Y

t

aLY

t

K

L

S

Y

t

aY

t 1

Y

t