Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Libro Avanzado PDF
Libro Avanzado PDF
Series de Tiempo
115
Chapter 7
Modelos Univariados
E [Pt+1 | Pt , Pt1,... ] = Pt
E [Pt+1 Pt | Pt , Pt1,... ] = 0
117
118 CHAPTER 7 MODELOS UNIVARIADOS
Rd0
F (d0 , d) = f (s, d) ds = Pr [dt+1 d0 | dt = d]
0
lo cual indica que los precios estn en equilibrio y reflejan toda la informacin
disponible. De esta ltima expresin es fcil verificar que la condicin de
martingala no se presenta en los precios del activo bajo anlisis. De existir
esta sera sobre la serie u0 (d) p (d), pues al calcular el valor esperado de
7.1 MARTINGALAS Y CAMINOS ALEATORIOS 119
u0 (d0 ) (p (d0 ) + d0 )u0 (d) p (d), esta sera cero, tal como predice la condicin
de la martingala.
Cabe destacar que para que se d la condicin de martingala para el nivel
de precios (corregidos por dividendos), es decir que se verifique:
R
p (d) = [p (d0 ) + d0 ] F (d0 , d)
se requerira que u0 (d) no cambie mucho con el nivel de dividendos (i.e. neu-
tralidad al riesgo, lo cual implica u0 (d) = u0 (d0 )), pero igualmente habra
que corregir por el factor de descuento .
Una hiptesis ms testeable empricamente es la de camino aleatorio.
Esta caracterstica impondr cierta estructura sobre los residuos poblacionales
de la siguiente expresin, donde es lo que se conoce como drift:
Pt = + Pt1 + t
t IID 0, 2
Si analizamos recursivamente esta expresin entonces podemos encontrar
cul es la relacin intertemporal del precio del activo en relacin al precio
inicial P0 de este:
Pt = + Pt1 + t
Pt = + ( + Pt2 + t1 ) + t = 2 + Pt2 + t1 + t
Pt = + + ( + Pt3 + t2 ) + t1 + t = 3 + Pt3 + t2 + t1 + t
...
P
j=t
Pt = P0 + t + j
j=1
rt = + t
IID
t N 0, 2
Este captulo evala las alternativas metodolgicas para testear distintos
grados de eficiencia de mercado, es decir presenta tests de independencia y
aleatoriedad desde distintos puntos de vista economtrico.
b
m,T ( )
T m+1 N (0, 1)
m,T ( )
donde:
!
X
m1
(2m2)
2m,T ( ) = 4 km + 2 kmj c2j
1 + (m 1)2 c2m
1 m2 kc1
j=1
2 XT XT XT
kT ( ) = (I (yt , ys ) I (ys , yr ) +
(T (T 1) (T 2)) t=1 s=t+1 r=s+1
+I (yt , yr ) I (yr , ys ) + I (ys , yt ) I (yt , yr ))
Ejercicio. Aplicando este test BDS a los retornos del ndice de precios
selectivo de acciones de Chile IPSA los datos del test nos indican la presencia
de dependencia de la serie:
At = It It+1 + (1 It ) (1 It+1 )
IID
Si a partir del proceso para el residuo t N (0, 2 ) definimos la funcin
indicadora como:
1 con probabilidad
It =
0 con probabilidad 1
P r
P 2
r (rt )
donde = Pr [r > 0] = Pr , con = T t y = T 1
entonces se
demuestra que:
s 2 + (1 )2
CJ | drif t6=0= = 1
1 s 2 (1 )
3 3 !
2
a s s (1 s ) + 2 + (1 ) s
CJ N , 4
1 s T (1 s )
2 + (1 )2
1 =
2 (1 )
s (1 s ) + 2 3 + (1 )3 2s
0 =
T (1 s )4
1 TP
s
(s) = (rt r) (rt+s r)
T t=1
(s)
(s) =
(0)
PT
t=1 rt
r =
T
El test propuesto tiene la siguiente distribucin asinttica:
T
(s) N (0, 1)
T s
T s 2
(s) = (s) + 1 (s)
(T 1)2
7.2.4 Tests Q y Q
Esta clase de tests permite analizar la dependencia temporal (autocorrelacin)
existente entre las observaciones en el tiempo (por ejemplo los retornos).
Box-Pierce (1970) o test Q. Este test se basa en el anlisis conjunto
de los coeficientes estimados de una ecuacin de residuos intertemporales
para verificar si son o no estadsticamente ceros. Estos coeficientes son las
correlaciones de los residuos, de manera que se analizan los rs rt definidos
por:
Cov (rs , rt ) E (rs , rt )
rs rt = =
V ar (rt ) E (rt2 )
Tal como sabemos este coeficiente rs rt es equivalente al parmetro de la
ecuacin auxiliar inversa s :
rts = s rt + ts s = 1, 2, ..., q
128 CHAPTER 7 MODELOS UNIVARIADOS
V (rt ) = 2
V (rt1 ) = 2
V (rt ) + V (rt1 )
= 1
2V (rt )
V (rt + rt1 )
(1) =
2V (rt )
V (rt ) + V (rt1 ) + 2Cov (rt , rt1 )
(1) =
2V (rt )
2Cov (rt , rt1 )
(1) = 1 +
2V (rt )
(1) = 1 + (1)
Esta expresin nos recuerda que cualquier serie estacionaria posee una razn
que se define como 1 ms el coeficiente de correlacin de primer orden. Si
encontramos que (1) = 0 entonces podemos decir que = 1.
Existe la generalizacin de esta ltima expresin para lo cual la hiptesis
nula a considerar ser:
H0 : (j) = 0 j = 1, ..., s
yt = yt1 + t
yt = + yt1 + t
yt = + t + yt1 + t
yt = yt1 + t
yt = + yt1 + t
yt = + t + yt1 + t
lk k
AIC = 2 + 2
T T
lk k
BIC = 2 + ln (T )
T T
lk k
HQ = 2 + 2 ln (ln (T ))
T T
tc = q df
V ( )
Hipotesis T ests
P
yt = pj=1 j ytj + t
1 : (, ) = (0, 0)
y = + y + Pp y +
t t1 j=1 j tj t
P p
yt = j=1 j ytj + t
: (, , ) = (0, 0, 0)
y = + t + y + Pp y + 2
t t1 j=1 j tj t
P
yt = + pj=1 j ytj + t
: (, , ) = (, 0, 0)
y = + t + y + Pp y + 3
t t1 j=1 j tj t
donde se contrasta con una tabla F de Fisher con sus respectivos grados
de libertad (tpicamente J = 2, 3):
(SRCR SRCNR ) /J
i = F (J, T k)
SRCNR / (T k)
7.3 TESTS DE RACES UNITARIAS 133
yt = + yt1 + t
X
T
1
j = T t tj
t=j+1
2 X q
j
= 0 + 2 1
j=1
(q + 1) j
134 CHAPTER 7 MODELOS UNIVARIADOS
2 4 3
= 8.548 + 2 (1.68) + 2 (0.381) +
5 5
2 1
2 (0.9893) + 2 (1.8107)
5 5
2
= 7.83292
7.3 TESTS DE RACES UNITARIAS 135
2
12 1
0 T s
0 2
zt = 2 t
12 1
(7.83292 8.54853) 819 (0.026534)
8.5485 2 8.569453
= (13.14)
7.83292 7.83292
= 12.78
X
t
t = i
i=1
yt = + t + t
El test estadstico de inters es:
1 X n
= 2 2 2
n s (l) t=1 t
7.5 Estacionariedad
Sea la variable {yt }Tt=1 un proceso estocstico. Existen dos formas de esta-
cionariedad: dbil y fuerte (o estricta).
E [yt ] = , || <
2 2
E (yt ) = y <
E [(yt ) (yts )] = (s) < , s
Lxt = xt1
L2 xt = xt2
1 2L + 3L2 xt = xt 2xt1 + 3xt2
L1 xt = xt+1
1 + 3L1 0.5L2 xt = xt + 3xt+1 0.5xt2
7.7 AR(p)
Un proceso autoregresivo de series de tiempo de orden p, AR(p), tiene la
siguiente estructura analtica:
t = (1 L) yt
t
yt =
(1 L)
yt = t 1 + L + (L)2 + (L)3 + ...
yt = t + t L + t (L)2 + t (L)3 + ...
yt = t + 1 t1 + 2 t2 + 3 t3 + ...
yt = 1 + 1 L + 2 L2 + 3 L3 + ... t
P i
yt = i=1 i L t + t
7.8 MA(q)
yt = t + 1 t1 + 2 t2 + ... + q tq
yt = t 1 + 1 L + 2 L2 + ... + q Lq
y = +
t t1 t
MA(1) :
y = (1 + L)
t t
y = + +
t t 1 t1 2 t2
MA(2) :
y = (1 + L + L2 )
t 1 2 t
7.10 ARMA(p,q)
Un proceso autoregresivo de media mvil de orden (p, q) para una serie esta-
cionaria y se puede representar por:
yt = 1 yt1 + 2 yt2 + ... + p ytp + 1 t1 + 2 t2 + ... + q tq + t
donde es u ruido blanco. Aqu la serie y es una combinacin lineal de
residuos y valores rezagados de y.
La expresin analtica resumida de este modelo es:
1 1 L 2 L2 ... p Lp yt = 1 + 1 L + 2 L2 + ... + q Lq t
Algunos ejemplos de modelos ARMA(p, q) son:
y = y + +
t t1 t1 t
ARMA(1, 1) :
(1 L) y = (1 + L)
t t
y = y + y + +
t 1 t1 2 t2 t1 t
ARMA(2, 1) :
(1 L L2 ) y = (1 + L)
1 2 t t
y = y + + +
t t1 1 t1 2 t2 t
ARMA(1, 2) :
(1 L) y = (1 + L + L2 )
t 1 2 t
7.11 ARIMA(p,d,q)
Tal como seala el teorema de Wold, todo proceso estacionario puede ser
representado a travs de un modelo del tipo AR, MA, o ARMA. Si la serie
bajo anlisis no es estacionaria (no es I(0)) entonces debe ser diferenciada
"d" veces para que lo sea. Esto hace que uno pueda representar un modelo de
series de tiempo utilizando la extensin de los modelos ARMA, agregndose
el componente "integrado" al medio de la expresin. De esta forma el modelo
extendido es una representacin autoregresiva, integrada, de media mvil y
se denota por ARIMA.
Podemos representar modelos cuya serie original y es no estacionaria, de
la siguiente forma:
d yt = 1 d yt1 + 2 d yt2 + ... + p d ytp + 1 t1 + 2 t2 + ... + q tq + t
Pp Pq
d yt = d
i=1 i yti + i=1 i ti + t
142 CHAPTER 7 MODELOS UNIVARIADOS
yt yt yt12
= 1 L12 yt
yt yt yt4
= 1 L4 yt
7.13 ESTIMACIN DE MODELOS ARIMA(P, D, Q) 143
Fuller
Box-Jenkins (Q)
Ljung-Box (Q0)
Razn de Varianzas ()
Modelos Heteroscedsticos
8.1 GARCH
El modelo que se utilizar como punto de partida en esta seccin es el tradi-
cional modelo de autorregresivo generalizado de heteroscedasticidad condi-
cionada (GARCH), desarrollado por Bollerslev (1987), el cual se representa
analticamente por el siguiente sistema aplicado yt y su volatilidad 2t :
X
yt = + j ytj + t
jJ
t N 0, 2t
i=q i=p
X X
2t = 0 + i 2ti + i 2ti
i=1 i=1
145
146 CHAPTER 8 MODELOS HETEROSCEDSTICOS
8.2 QGARCH
El modelo QGARCH(1,1)1 puede representarse por:
X X
yt = + j ytj + k 2tk + t
jJ kK
t N 0, 2t
X
2t = 0 + 1 2t1 + 1 2t1 + t1 + s yts
sS
8.3 T-GARCH
La ecuacin para la volatilidad del modelo de umbral o TGARCH(1,1) se
representa por:
X
2t = 0 + 1 2t1 + 1 2t1 + t1 2t1 + s yts
sS
8.4 GJR-GARCH
El modelo introducido por Glosten, Jagannathan and Runkle (1993) resuelve
el problema de la asimetra con un enfoque alternativo. La ecuacin para la
volatilidad se representa por:
X
2t = 0 + (1 t1 ) 1 2t1 + 1 2t1 + t1 2t1 + s yts
sS
donde
su comportamiento asimtrico se deriva de la existencian de la funcin
t1
f t1 que posee dos parmetros ( 0 y 1 ) que representan la evolucin no
simtrica de la volatilidad de yt dependiendo de si el shock es positivo o
negativo.
Modelos de Volatilidad
Alternativos
1
f (t , , ) =
2 + (t )2
y
0.3
0.25
0.2
0.15
0.1
0.05
-5 -2.5 0 2.5 5
151
152CHAPTER 9 MODELOS DE VOLATILIDAD ALTERNATIVOS
y 0.5
0.375
0.25
0.125
0
-4 -2 0 2 4
E (2t ) = 2
1
32
E (4t ) = (2)(4)
3
Modelos Multivariados
155
156 CHAPTER 10 MODELOS MULTIVARIADOS
yt = 0 + 1 yt1 + t
E (t ) = 0
E (t 0t ) =
Cov (t ,t+k ) = 0, k 6= 0
que los valores de las races 0 s deben ser mayores que 1 en valor absoluto,
o lo que es lo mismo, que los valores de los 0 s sean menores que 1 en valor
absoluto.
Ejercicio. La estimacin de un sistema de dos variables con dos rezagos
entreg el siguiente vector de parmetros estimados, representados en forma
matricial por:
0.561594 0.023580 0.0000734 0.007503
,
0.071865 0.657941 0.396690 0.216838
1 = 42. 035
2 = 1. 123 4
3 = 1. 756 2
4 = 4. 029 6
pd2
AIC = ln |e | + [2]
T
pd2
BIC = ln |e | + [ln (T )]
T
pd2
HQ = ln |e | + [2 ln (ln (T ))]
T
donde p define el nmero de rezagos del VAR, T el nmero de observaciones,
d el nmero de ecuaciones (o variables) del VAR, y ln |e | define el logaritmo
del determinante de la matriz de varianzas y covarianzas estimada de los
residuos muestrales de cada ecuacin del sistema VAR. Los elementos de e
son calculados considerando la estimacin por mximo verosimilitud de las
varianzas de los residuos (es decir dividiendo por T en lugar de dividir por
T (pd2 + 1)) llegando a definirse por:
0 0 0
e e e e ... e1 ed
1 1 1 2
0 0 0
1 e2 e1 e2 e2 ... e2 ed
e =
T ... ... ... ...
0 0 0
ed e1 ed e2 ... ed ed
dxd
yt = 11 + 12 yt1 + 13 t1 + yt
t = 21 + 22 yt1 + 23 t1 + t
2
yt 0 yt yt t
= N ,
2
t 0 yt t t
2yt = 1 + 2 2yt1 + 3 2yt1
2t = 1 + 2 2t1 + 3 2t1 + 4 2t2
Cdigo GAUSS
proc lnlk(c,data);
local nobs,ey,ep,cova,sigma,dsigma,t,hy,hp,m,lnl,stt,in;
nobs=rows(data);
hy=zeros(nobs,1);hp=hy;dsigma=hy;cova=hy;m=hy;
hy[1]=sqrt(abs(c[7]/(1-c[8]-c[9])));
hp[1]=sqrt(abs(c[10]/(1-c[11]-c[12]-c[13])));
ey=zeros(nobs,1);ep=ey;
t=3;
do while t le nobs;
hy[t]=sqrt(abs(c[7]+c[8]*ey[t-1]^2+c[9]*hy[t-1]^2));
hp[t]=sqrt(abs(c[10]+c[11]*ep[t-1]^2+c[12]*
hp[t-1]^2+c[13]*hp[t-2]^2));
ey[t]=y[t]-x[t,.]*(c[1]|c[2]|c[3]);
ep[t]=p[t]-x[t,.]*(c[4]|c[5]|c[6]);
2
La restriccin usual de largo plazo en modelos macroeconomtricos es que shocks de
demanda no causan efectos permanentes sobre el producto, o que los shocks de oferta
producen efectos permanentes sobre el producto.
10.5 MODELO VAR-GARCH(1,1) 163
cova[t]=c[14]*hy[t]*hp[t];
sigma=(hy[t]^2~cova[t])|(cova[t]~hp[t]^2);
dsigma[t]=det(sigma);
in=inv(sigma);
m[t]=(ey[t]~ep[t])*in*(ey[t]|ep[t]);
t=t+1;
endo;
stt=3;
lnl=-.5*ln(2*pi)-.5*ln(dsigma[stt:rows(data)])
-.5*m[stt:rows(data)];
retp(lnl);
endp;
proc inevgarch(c);
retp((c[7]/(1-c[8]-c[9]))|(c[10]/(1-c[11]-c[12]-c[13])));
endp;
_cml_MaxIters = 200;
_cml_Algorithm = 3;
_cml_LineSearch = 2;
_cml_GradMethod=1;
_cml_covpar=2;
c7=0.4;
c8=0.2;
c9=0.7;
c10=0.4;
c11=0.2;
c12=0.7;
c13=0;
c14=0;
startv=inv(xx)*xy|inv(xx)*xp|c7|c8|c9|c10|c11|c12|c13|c14;
_cml_ineqproc = &inevgarch;
{b,f0,g,cov,retcode} = maxprt(cml(data,0,&lnlk,startv));
164 CHAPTER 10 MODELOS MULTIVARIADOS
yt = + xt + t (10.1)
A (L) yt = B (L) xt + t1 + t
10.6 COINTEGRACIN Y MCE 165
mt = + yt + it + mt1 + t
A (L) yt = B (L) xt + t1 + t
t = 0 + 1 (xt ) + t
166 CHAPTER 10 MODELOS MULTIVARIADOS
El vector original de parmetros estimados 1 , 1 se ajustan por estos
nuevos estimadores:
3 = 1 + 0
3 = 1 + 1
Los errores estandar de los coeficientes de la regresin de largo plazo son sim-
plemente los errores estandar de los coeficientes i estimados en la regresin
del paso 3. Los estadsticos t computados utilizando estos errores estandar
tienen una distribucin t que puede ser utilizada para hacer inferencia per-
fectamente.
donde se asume que y1t , x1t son I (1). Cuando los trminos de errores uit estn
auto e intercorrelacionados, y cuando la regresin esttica y1t = x1t + u1t
no utiliza ninguna de la informacin que permite generar x1t , los sesgos en
el estimador pueden ser grandes. HP propone la siguiente solucin.
Asumamos que la estructura exacta de la estructura de var-covarianza
ut = [u1t , u2t ]0 es desconocido. Sin embargo sabemos que es dbilmente esta-
cionario (i.e. covarianza estacionario), lo cual se describe por:
ut [0, ]
donde = {ij } , i, j = 1, 2.
Es conveniente descomponer la matriz de var-covarianza en:
= V + + 0
donde:
+
y1t = y1t 12 ( 22 )1 x1t
+ 1
=
1
( 22 ) 12
= 0
k=0 E [u20 uk ]
+
El estimador modificado envuelve dos correciones. Primero el trmino
corrige el sesgo en el estimador utilizando estimaciones de largo plazo de la
matriz de var-covarianza. Segundo, se utiliza una variable instrumental de
+
manera que el estimador est condicionado en y1t en lugar de y1t .
Finalmente, el error estndar modificado por PH se define por s+ como:
+ 2 1
s = 11.2 Tt=1 x21t
donde:
11.2 = 11 221 1
22
Xt = Xtk + k1
i=1 i Xti + t
donde:
i = (I 1 ... i ) , i = 1, ..., k
= (I 1 ... k )
Los i son los parmetros dinmicos del vector del modelo, y la matriz
contiene los parmetros de largo plazo del modelo.
El mtodo de Maximum Likelihood de Johansen consiste en examinar el
rango de la matriz la cual contiene informacin sobre las relaciones de
largo plazo. Aqu tenemos tres casos:
(i) posee rango cero. En este caso no hay vectores de cointegracin y
significa que las variables on individualmente I(1) y que no existe relaciones
de largo plazo de la data. La manera en que debe ser estimado el sistema es
a travs de un VAR estndar con variables en primeras diferencias, i.e. Xt .
(ii) La matriz tiene rango completo, lo cual significa que las variables
no diferenciadas son de hecho I(0), y entonces el modelo es estacionario en
niveles.
(iii) La matriz tienen rango r, donde 0 < r < n, lo cual significa que
existen r vectores de cointegracin entre las n variables.
Part IV
Modelos No Lineales
Univariados
169
Chapter 11
Estimacin por Mxima
Verosimilitud
e(+)y (y)x
f (x, y) =
x!
, > 0
y = 0
x = 0, 1, 2, ....
1 1
tc = t (T k)
1
Suponiendo que el error se distribuye normal con valor esperado cero y matriz
de varianzas y covarianzas identidad, entonces efectuemos el test de razn de
verosimilitud para testear la hiptesis nula H0 : 0 = 1 = 0.
La funcin de log-verosimilitud para el modelo propuesto ser:
T T 1 e0 e
$NR = ln (2) ln 2
2 2 2 2
Recordando que e0 e = y 0 y y 0 x podemos reescribir la expresin anterior
como:
T T 1 y 0 y y 0 x
$NR = ln (2) ln 2
2 2 2 2
Si ahora escribimos la misma expresin anterior pero para el modelo re-
stringido tenemos que dado una hiptesis nula de que 0 = 1 = 0, entonces:
T T 1 y0 y
$R = ln (2) ln 2
2 2 2 2
Considerando que 2 = 1 podemos resescribir esta expresin de la siguiente
forma, tanto para el modelo no restringido como para el modelo restringido
(ln(1) = 0):
T 1 0
$NR = ln (2) y y y 0 x
2 2
T 1
$R = ln (2) y 0 y
2 2
174CHAPTER 11 ESTIMACIN POR MXIMA VEROSIMILITUD
Para un test 295% (2) = 5.99. Como LR > 5.99 entonces rechazamos la hipte-
sis nula H0 : 0 = 1 = 0.
Ejercicio. De la siguiente muestra de tamao 10 para una variable aleato-
ria x generada de una distribucin normal con media y varianza 2 , es decir
x N (, 2 ):
{1.1, 2.4, 0.5, 2.2, 0.8, 0.1, 2.9, 3.3, 2.5, 1.9}
Testee la hiptesis de que la varianza es uno, es decir H0 : 2 = 1. Genere
un intervalo de confianza del 95% para 2 , y utilizando
un
test de razn de
=2
verosimilitud testee la hiptesis conjunta H0 : .
2 = 1.5
Lo primero es calcular la varianza muestral:
P
2 (xi x)2 10.541
s = = = 1. 171 2
N 1 9
N 1 9
2 = s2 = 1.1712 = 1. 054 1
N 10
Para testear H0 : 2 = 1 debemos recordar la expresin:
s2
(N 1) 2 (N 1)
2
Luego el test consisrte en:
s2 1. 171 2
2c = (N 1) 2
= (9) = 10. 541
H0 1
175
Al comparar con un valor de tabla de 20.975 (9) = 19.02 vemos que no rec-
hazamos la hiptesis nula H0 : 2 = 1
Para el clculo del intervalo de confianza aplicamos una expresin similar:
s2 2 s2
(N 1) < < (N 1)
20.975 (N 1) 20.025 (N 1)
1.1712 1.1712
(9) < 2 < (9)
19.02 2.7
2
0.554 20 < < 3. 904
=2
Los valores para el clculo del test LR para H0 : se obtienen
2
= 1.5
una vez evaluada la funcin de log-verosimilitud en los parmetros estimados
versus los restringidos:
P
NR n n 2 1 (xi )2
$ = ln (2) ln
2 2 2 2
Al reemplazar por los valores ya encontrados:
P
NR n n 2 1 (xi )2
$ = ln (2) ln
2 2 2 2
10 10 1 10.541
$N R = ln (2) ln 1. 054 1 = 14. 453
2 2 2 1. 054 1
P
R 10 10 1 (xi 2)2
$ = ln (2) ln 1.5
2 2 2 1.5
R 10 10 1 11.07
$ = ln (2) ln 1.5 = 14. 907
2 2 2 1.5
Con este resultado aplicamos el test LR:
LR = 2 $NR $R
LR = 2 (14. 453 (14. 907))
LR = 0.908
2
Comparando con un estadstico de tabla 0.95 (2) = 5.99 vemos que no es
=2
posible rechazar la hiptesis nula H0 : .
2
= 1.5
176CHAPTER 11 ESTIMACIN POR MXIMA VEROSIMILITUD
e x
f (x) = , x = 0, 1, 2, 3, ....
x!
Suponga que se obtiene la siguiente muestra aleatoria para x:
3, 5, 1, 2, 1, 0, 0, 1, 1, 4, 2, 0, 0, 3, 2
Utilice el test de Wald para evaluar la hiptesis H0 : = 2.
Si la variable aleatoria tiene la distribucin:
e x
f (x) =
x!
entonces la funcin de log-verosimilitud (log-likelihood) se representar por:
X e x X 1 X
1 X
x
$ () = ln = ln = ln + ln x T
x! x! x!
$ 1X
= xT =0
P
x
MV = = x
T
(1.666666 2)2
W = = 1.0
0.1111111
Al 95% de una Chi-cuadrado con un grado de libertad se tiene un valor crtico
de tabla de 3.84 lo cual nos indica que no rechazamos la hiptesis nula de
que = 2.
Chapter 12
GMM
179
180 CHAPTER 12 GMM
1 PT 2
2y = E y 2 = y
T t=1 t
Dado que 2y = 2
entonces parece natural que el estimador de se obtenga
a partir de:
1 PT 2
2y =t=1 yt =
T 2
con lo cual llegamos a que el estimador de mtodo de los momentos para
ser:
2 2y
MM = 2
y 1
32
E y4 =
( 2) ( 4)
P 4
con su contraparte muestral igual a T1 yt .
Dado que ahora son ms de una funcin a minimizar se requiere de alguna
forma de ponderacin entre ellas de manera de evitar conflictos entre cada
ecuacin a minimizar. El Mtodo de los Momentos Generalizados (GMM)
permite escoger de manera de minimizar la siguiente funcin:
QT () = g0 W g
E [h (0 , t )] = 0rx1
1 PT
g () = h (, t )
T t=1
t = yt
=
WT = 1
h (, t ) = yt2
2
1P 2
g () = yt
T 2
r = k=1
2
1P 2
QT () = yt
T 2
22y
La solucin de este problema claramente se logra cuando GMM = 2y 1
donde
P
2y = T1 Tt=1 yt2 , que corresponde al estimador MM .
182 CHAPTER 12 GMM
12.3 WT Optima
Es necesario determinar cual es el valor ptimo de WT al momento de cal-
cular los estimadores GMM. Supongamos que cuando se evala en el vector
verdadero 0 , el proceso {h (0 , t )}t=
t= es estrictamente estacionario com
media cero y matriz de autocovarianza de orden dada por:
= E h (0 , t ) h (0 , t )0
Asumiendo que estas autocovarianzas son sumables se define:
P
S=
=
(0)
1. Obtener un estimador inicial de T minimizando la expresin:
Q () = g ()0 WT g ()
utilizando la matriz WT = Ir .
(0)
2. Con este estimador de (T ) se procede a calcular la primera esti-
macin de S:
1 P
T (0) (0) 0
(0)
ST = h T , t h T , t
T t=1
h i1
(0)
3. Utilizamos WT = ST en la expresin de Q () para estimar un
(1)
nuevo vector de parmetros GMM T :
h i1
0 (0)
Q () = g () ST g ()
(1) (1)
4. Con este nuevo vector T se calcula una nueva matriz S, ST movin-
donos al paso 2.
Este proceso itera hasta que la regla de detensin (stopping rule) es vlida,
es decir hasta que el vector de parmetros entre cada iteracin sea equivalente
considerando algn criterio de distancia (euclidiana por ejemplo):
(j) (j+1)
T = T
1 para |x| 1
kT R (x) =
0 en otro caso
y 1.25
0.75
0.5
0.25
0
-2 -1 0 1 2
Kernel Truncado
1 |x| , para |x| 1
kB (x) =
0, en otro caso
12.3 WT OPTIMA 185
y 1.25
0.75
0.5
0.25
0
-2 -1 0 1 2
y 1.25
0.75
0.5
0.25
0
-2 -1 0 1 2
Kernel Parzen
4. Tukey-Hanning:
(1+cos(x))
, para |x| 1
2
kT H (x) =
0, en otro caso
186 CHAPTER 12 GMM
y 1.25
0.75
0.5
0.25
0
-2 -1 0 1 2
Kernel Tukey-Hanning
5. Quadratic-Spectral (Andrews):
6x !
25 sin 5 6x
kQS (x) = 6x cos
12 2 x2 5
5
y 1.25
0.75
0.5
0.25
0
-2.5 -1.25 0 1.25 2.5
0 h i1
g ()
= ST g () = 0
=T
188 CHAPTER 12 GMM
0 h i1
g()
donde
es una matriz de orden kxr, ST es de orden rxr, g ()
=T
de orden rx1, y finalmente 0 es de orden kx1.
Utilizando la teora central del lmite se puede demostrar que la distribu-
cin asinttica del estimador T est dada por:
T T 0 N (0, V )
1
donde V = (DS 1 D0 ) , de manera que podemos decir que la distribucin
aproximada del estimador GMM ser:
!
VT
T N 0 ,
T
donde:
1
VT = DT ST1 DT0
0
PT
1
T
h T , t h T , t h no correlacionado
ST = t=1
P q h i
0,T +
1 q+1 ,T + 0,T h correlacionado
=1
0
g ()
DT =
=T
12.4.1 S Cuasi-Singular
Empiricamente es comn encontar que la matriz S es casi singular, lo cual di-
ficulta el trabajar con su inversa S 1 . Ete hecho se da especialmente cuando
se estima modelos con retornos de activos pues estos tienden a estar fuerte-
mente correlacionados unos a otros, fenmeno que se refuerza cuando adems
se incluyen muchos activos en relacin al nmero de observaciones (un nivel
de saturacin parmetros/data muy alto).
Por ejemplo supongamos que:
1
S=
1
Q () = g ()0 ST1 g ()
12.4.2 Inferencia
esimo
En relacin a inferencia sobre el i elemento del vector T i,T podemos
utilizar la distribucin asinttica anterior T N 0 , VTT de manera que:
i,T i,0
= q N (0, 1)
Vii,T
T
de manera que si el estadstico es mayor a 1.96 entonces rechazamos la
hiptesis nula H0 : H i,0 = i,0 , donde i,T es el elemento i del vector T y
0
a
T F T N (0J , VF )
12.5 APLICACIONES 191
donde:
VF = f (0 ) V f (0 )0
F
f (0 )JxJ =
0 =0
0
T F T VT1 F T 2 (J)
Test de Hansen
12.5 Aplicaciones
Esta seccin revisa las aplicaciones ms conocidas de la metodologa GMM.
192 CHAPTER 12 GMM
sujeto a la restriccin de flujo que indica ct + pit sit+1 = (pit + dit ) sit , y al set
de informacin disponible por el agente y el econometrista en el perodo t,
el cual denotamos por =t . En cada momento del tiempo t el agente decide
cunto comprar de cualquiera de los m activos disponibles a invertir, cada
uno de los cuales retorna una tasa bruta de retorno (1 + ri,t+1 ) en t + 1.
Si asumimos una solucin interior, es decir que el inversionista toma una
posicin en cada activo disponible, el portafolio ptimo del accionista deber
satisfacer las condiciones de Euler (condiciones necesarias de primer orden
del problema de optimizacin dinmica) siguientes:
u0 (ct ) = E [(1 + ri,t+1 ) u0 (ct+1 ) |=t ] i = 1, 2, ..., m
Al incorporar el supuesto de una funcin de utilidad del tipo CRRA,
descrita anteriormente, la expresin de optimalidad de Euler se traducir a:
c
t = E (1 + ri,t+1 ) c
t+1 |=t i = 1, 2, ..., m
Al simplificar esta expresin a:
" #
ct+1
1 = E (1 + ri,t+1 ) |=t
ct
12.5 APLICACIONES 193
ct+1
queda claro que la variable aleatoria 1 (1 + ri,t+1 ) ct no estar
correlacionado con el set de informacin =t disponible en el perodo t. Esta
ltima expresin se puede representar
como una condicin de ortogonalidad,
ct+1
donde la variable aleatoria (1 + ri,t+1 ) ct 1 es ortogonal al set de
variables contenidas en =t , es decir:
" #
ct+1
E (1 + ri,t+1 ) 1|=t = 0
ct
= (, )0
0
ct+1 0
t = r1,t+1 , r2,t+1 , ..., rm,t+1 , , =t
ct
Concatenando las condiciones de ortogonalidad para los m activos disponibles
llegamos a representar la funcin h (, t ) por (r = m):
ct+1
(1 + r1,t+1 ) ct 1 |=t
(1 + r2,t+1 ) t+1
c
1 |=
ct t
h (, t ) = (1 + r3,t+1 ) ct+1 1 |=
ct t
....
ct+1
(1 + rm,t+1 ) ct 1 |=t
mx1
1 PT
g () = h (, t )
T t=1
y la funcin objetivo es:
h i1
0
Q () = g () ST g ()
194 CHAPTER 12 GMM
una tasa del flujo de utilidades futuras u (ct ) podemos decir que el plan de
consumo y portfolio ptimo de este agente estar representado en las ecua-
ciones de Euler (condiciones de primer orden del problema de optimizacin)
definidas por:
0
u (ct+1 )
E 0 (1 + ri,t+1 ) |=t = 1
u (ct )
E [mt+1 (1 + ri,t+1 ) |=t ] = 1
u0 (ct+1 ) ct+1
mt+1 = 0 =
u (ct ) ct
tinuacin: