Anexo: Stock and Watson

Introduccin: causalidad y prediccin

Hasta ahora, nos habamos centrado en estimar efectos causales. Es decir,
queramos saber qu ocurra con Y si X se incrementaba en una unidad. En los tres
ltimos del curso, no obstante, desecharemos este objetivo y nos centraremos en
predecir, en otros trminos, en averiguar qu valor tomar Y en el futuro. La principal
diferencia entre estos dos objetivos es que lo importante de los modelos de prediccin es
que expliquen lo mximo de Y, NO importa si son efectos causales o no.
Un ejemplo tpico es la lluvia y los paraguas. Pese a que los paraguas NO causan la
lluvia, normalmente cuando llueve la gente porta paraguas, de modo que podemos usar la
existencia de paraguas para predecir lluvia.

Retardos, primeras diferencias y otros

Antes de empezar a explicar los modelos, conviene definir ciertos conceptos
esenciales:
Primer retardo: El valor de Y en el periodo anterior, Yt-1.
Retardo nJ: El valor de Y en el periodo J, Yt-j.
Primera diferencia: La diferencia del valor de Y en T y el valor de Y en el periodo
anterior. Es decir, yt = Yt-Yt-1.
Diferencia nJ:La diferencia del valor de Y en T y el valor de Y en el periodo J. Es
decir, yt = Yt-Yt-j.
Normalmente trabajaremos con series temporales usando los cambios en los
logaritmos. Esto es debido a que nos interesa la variacin porcentual de las variables,
que puede ser medida va logaritmos. Explicaremos el funcionamiento de este tipo de
regresiones al presentar el modelo. Otro aspecto a considerar es el hecho de que los
valores actuales de Y tienen relacin con los valores de Y en periodos previos, por lo que:
Autocovarianza: Covarianza de Yt con un periodo antiguo, como j. Formalmente,
Cov(Yt, Yt-j).
Autocorrelacin: Correlacin de Yt con un periodo antiguo, como j. Formalmente,
Corr(Yt, Yt-j).

Modelos autorregresivos (AR)

Como la finalidad principal del tema es predecir el valor futuro de un indicador, un buen
punto de partida es basarse en los valores anteriores del mismo. Por ejemplo, para
predecir los cambios en el PIB:
Cambio PIB en T = Bo + B1* Cambio PIB T-1
PIBt = Bo + B1 * PIBt-1
Los valores de la regresin tienen una interpretacin similar a los ya habituales:
PIBt: Indica el cambio del PIB en T.
PIBt-1: Indica el cambio del PIB en T-1.
Bo: Es la prediccin del cambio del PIB si en el periodo anterior NO cambi -PIBt1=0-.
B1: Es el aumento en el cambio del PIB si en el periodo anterior vari una unidad
ms.
Como vemos, realizamos una regresin de Yt sobre un valor anterior, por eso este
modelo se conoce como modelo autorregresivo de primer orden -AR(1), abreviado-. En
otras palabras, hacemos una regresin de Y sobre s misma -autorregresin- con un
regresor -primer orden-. Quiz una de las diferencias ms significativas con el
procedimiento habitual es que, como Y indica el cambio, el valor del PIB en T ser de:
Valor PIB T = Valor PIB T-1 + PIBt

Por ejemplo, si el cambio es de 0,4 y el valor anterior fue de 40000000:

Valor PIB T = 40000000 + 0,4 = 40000000,4
Con el modelo anterior podemos predecir el valor del prximo periodo, ya que si
disponemos del cambio del PIB en T:
Cambio PIB en T+1 basado en T = Bo + B1 * PIBt
PIBt+1|t = Bo + B1 * PIBt
Por supuesto, esto NO nos otorgar el valor real sino el PREVISTO por la regresin.
De este modo, el valor estimado del PIB en t+1 ser de:
Valor Estimado PIB t+1 = Valor PIB T + PIBt+1|t
Para evaluar la fiabilidad del modelo, resulta til calcular errores de prediccin:
Error Prediccin = Valor REAL PIB en t+1 - Valor Estimado PIB t+1
Es necesario tener muy claro un aspecto: como NO poseemos datos del futuro -t+1- los
errores de prediccin NO son los ui o los trminos de error. Como siempre, podemos
extender el modelo con ms periodos -p retardos, AR(p)-:
PIBt = Bo + B1 * PIBt-1 + B2* PIBt-2 + []
E incluir otras variables que ayuden a explicar el PIB, como la variacin del paro:
PIBt = Bo + B1 * PIBt-1 + B2* PIBt-2 + V1* Parot-1 []
El funcionamiento, aunque resulte bastante ms complejo de calcular, sigue siendo el
mismo que en el caso del modelo de un retardo.

Supuestos, estacionariedad y Granger

En cuanto a los supuestos de los modelos autorregresivos, son bastante similares a
los ya habituales excepto por el i.i.d., pues como hemos visto las Yt tienen relacin con
sus valores previos. Se requiere, por tanto, alterarlo:
1. Exogeneidad (Exogeneity): El valor de la variables X e Y no influye en el valor de
ui, pues no hay relacin entre ambas. Esto significa que E(ui|X=xt-j, Y=yt-j)= 0. O
sea, la esperanza condicional de Ui dado X e Yt es cero.
2. Las variables cumplen lo siguiente:
1. Son estacionarias: La distribucin NO vara a lo largo del tiempo. Es decir, la
media y las autocovarianzas son constantes.
2. Dependencia dbil: Yt y Yt-j pasan a ser independientes cuando J se hace
grande. En otras palabras, Yt NO tiene relacin con valores muy pasados.
3. Las observaciones atpicas son improbables:
0< E ( Xi 4 )< 0< E (Yi 4)<
4. Ausencia de multicolinealidad perfecta: Bsicamente, NO podemos incluir otro
factor como regresor que sea una funcin lineal de una variable que ya existe. Por
ejemplo, NO podramos incluir del tamao de la clase y las mesas por aula -ya que es un
indicador similar al del tamao de la clase- al ser redundante y NO disponer de suficiente
informacin como para estimar ambos coeficientes.
A su vez, una herramienta til a tener en cuenta es el contraste de causalidad de
Granger, que contrasta mediante el estadstico F que todos los coeficientes sean cero. Es
decir, testea el hecho de si Yt-1 o Xt-1 NO ayudan a preveer Yt.

Seleccin de retardos: criterios de informacin

A la hora de elegir cuntos retardos o valores anteriores de Y -y de otras variablesincluir en la regresin distinguimos tres mtodos:
Estadstico F: Podemos hacer contrastes de hiptesis en el ltimo retardo incluido
para saber si es estadsticamente diferente de cero o no. No obstante, va a dar
lugar a un nmero de retardos demasiado elevado la mayora de las veces.
Criterio de informacin de Bayes (BIC): Se dedica a minimizar -hallar el p o
nmero de retardos idneo- la funcin siguiente:

SR( p) ( p+ 1)ln(T )
]+
T
T
El primer trmino ANTES del signo + representa el beneficio de aadir un retardo
adicional, ya que en ese caso la suma de residuos -valores no explicados por la
regresin- baja. El segundo es el coste de incluirlo. El modelo se puede extender a
varios predictores: simplemente reemplazamos p por K, siendo K el nmero de
coeficientes:
SR( K ) Kln (T )
BIC (K) = ln[
]+
T
T
Criterio de informacin de Akaike (AIC): Es el criterio usado en la prctica. A
diferencia del BIC, el AIC tiene un coste menor, por lo que permite aadir ms
retardos. Respecto a sus expresiones:
SR( p) ( p+ 1)2
AIC (p) = ln [
]+
T
T
SR( K ) K2
AIC (K) = ln [
]+
T
T
BIC (p) =

ln[

El modelo VAR
En ocasiones queremos predecir ms de una variable, es decir, podemos desear
conocer los valores futuros del PIB y el desempleo. En este tipo de situaciones, resultan
esenciales los vectores autorregresivos o VAR, conjuntos de regresiones de series
temporales. De este modo, tenemos que:
Yt = B1o + B11*Yt-1 + [] + ut1
Xt = B2o + B21*Xt-1 + [] + ut2
No existen demasiados cambios respecto a la metodologa habitual: los coeficientes se
calculan con MCO y se usan los criterios de informacin de AIC y BIC `para determinar el
nmero de retardos.

Predicciones multiperiodo
Si deseamos predecir ms periodos, como t+2, t+3 existen dos mtodos disponibles:
Prediccin multiperiodo iterada: Calculamos Yt+1 esperado y lo usamos para
hallar Yt+2 previsto, y as sucesivamente. Esto es:
Yt+1|T = Bo + B1*Yt+B2*Yt-1 +[...]
Yt+2|T = Bo + B1*Yt+1|T +B2*Yt +[...]
Y as sucesivamente.
Prediccin multiperiodo directa: Realizamos la prediccin directamente
utilizando los valores disponibles. Es decir:
Yt+2|T = Bo + B1*Yt+B2*Yt-1 +[...]
Respecto a qu mtodo usar, distinguimos dos casos:
Modelo sin errores: Usaremos la prediccin iterada al realizar predicciones ms
fiables y ser los coeficientes ms eficientes.
Modelo con errores -no especificado correctamente...-: Usaremos la prediccin
directa ya que posee menos coeficientes.