15

Modelos de Factores Latentes

15.1 Introduccin
La representacin ms simple de los modelos especificados y estimados hasta ahora es la de
una variable dependiente observada, yt, expresada como una funcin de una variable
explicativa observable, xt, y un trmino de perturbacin no observable, ut. Para una
especificacin lineal esta relacin es:

En este captulo se introduce una clase importante de modelos que relaja la suposicin de que
se observa la variable explicativa xt. Para destacar este cambio en el estado de la variable
explicativa, el modelo se reescribe como

Donde st representa un factor no observado o latente. Este modelo se extiende fcilmente para

incluir N variables dependientes y K factores latentes,

donde K <N.

La clase de factores latentes del modelo se encuentra con frecuencia en economa y finanzas y
ejemplos destacados incluyen modelos de mltiples factores de la estructura a plazo de las
tasas de inters, datacin de los ciclos econmicos, la identificacin de las tasas de inters
reales ex ante, , el modelo de tasacin de activos de capital y modelos de volatilidad
estocstica. Una serie de ventajas se derivan de ser capaces de identificar la existencia de una
estructura de factores latentes subyacente en el comportamiento de las series econmicas y
financieras. En primer lugar, proporciona una forma parsimoniosa de modelar sistemas
dinmicos multivariados. Como se ve en el captulo 13, la maldicin de la dimensionalidad
surge incluso en sistemas relativamente pequeos de VAR sin restricciones. En segundo lugar,
evita la necesidad de utilizar variables proxy ad hoc para las variables no observables, lo que
puede resultar en estimaciones de parmetros sesgadas e incoherentes. Ejemplos de ello son
el modelo de fijacin de precios de activos de capital y la identificacin de tipos de inters
reales ex ante.

A pesar de que est latente, el factor s t en la ecuacin (15.2) puede no obstante ser
caracterizado a travs de las propiedades de la serie temporal de las variables dependientes
observadas. El sistema de ecuaciones que capta esta estructura se denomina comnmente
forma de espacio de estado y la tcnica que permite esta identificacin y extraccin de factores
latentes se conoce como el filtro de Kalman. Un supuesto importante subyacente al filtro de
Kalman es el de la normalidad de los trminos de perturbacin que afectan al sistema. La
asuncin de la normalidad hace posible resumir toda la distribucin de los factores latentes
usando medios condicionales y variancias por s solas. En consecuencia, estos momentos
ocupan un lugar prominente en las derivaciones de las recursiones que definen el filtro de
Kalman. Para el caso en que la asuncin de la normalidad de los trminos de perturbacin es
inapropiada, puede estar disponible un estimador cuasi-mximo de verosimilitud. Los detalles
de este estimador se discuten en el Captulo 9. Un enfoque alternativo para estimar esta clase
de modelos es el mtodo generalizado de momentos discutido en el Captulo 10. Los enfoques
bayesianos para estimar los modelos de espacio-estado son tratados por Carter y Kohn (1994) y
Stroud, Muller y Polson (2003).

15.2 Ejemplos de motivacin

Para motivar el filtro de Kalman, se exploran dos conjuntos de ejemplos.

15.2.1 Anlisis emprico

El primer conjunto de ejemplos es esencialmente emprico y destaca la utilidad del filtro para
superar la maldicin de la dimensionalidad.

Ejemplo 15.1 Estructura de plazo de las tasas de inters

La Figura 15.1 representa las tasas diarias de cupn cero de los Estados Unidos entre el 4 de
octubre de 1988 y el 28 de diciembre de 2001. Los vencimientos son, respectivamente, tres
meses, r 1,t , un ao, r 2,t , tres aos, r 3,t , cinco aos, r 4,t , siete aos, r 5,t , y
diez aos, r 6,t . La inspeccin de la figura muestra que todos los rendimientos exhiben una
dinmica muy similar, comportamiento que sugiere que todos son impulsados por uno o dos
factores no observables.

En el caso de un solo factor latent e, K = 1, el modelo de estructura a plazo para las tasas de
inters es
 Grfico 15.1 Tasas diarias de cupn cero estadounidenses del 4 de octubre de 1988 al
28 de diciembre de 2001. Rendimiento mensual. Rendimiento anual.

Donde s t es un factor latente y El parmetro i controla la

fuerza de la relacin entre el rendimiento y el factor. Estos parmetros se denominan
comnmente las cargas de factores y esta ecuacin se denomina comnmente la ecuacin de
medicin. El trmino de perturbacin, ui ,t permite movimientos idiosincrticos en el i-
simo rendimiento que no se explican por movimientos en el factor. La fuerza de estos
movimientos idiosincrsicos est controlada por los parmetros i . Este conjunto de
ecuaciones puede escribirse como una ecuacin nica en forma de matriz como

Donde r t es el vector columna de rendimientos, ut es el vector columna de trminos

idiosincrsicos y

Para completar la especificacin del modelo en la ecuacin (15.3), slo queda especificar la
dinmica del factor latente s t . Como los trminos de perturbacin son independientes,
cualquier dinmica mostrada por los rendimientos debe ser capturada por la dinmica del
factor. La representacin ms simple es dejar que el factor siga un proceso autorregresivo de
primer orden
Dnde es el parmetro autorregresivo y t es un trmino de perturbacin. Esta ecuacin
es comnmente conocida como la ecuacin de estado y junto con la ecuacin de medicin
(15.3) el sistema se conoce como un sistema de estado-espacio.

Ejemplo 15.2 Citas del ciclo empresarial

Un enfoque comn para identificar los picos y valles de un ciclo econmico es mirar los puntos
de inflexin de una serie de indicadores de actividad econmica. Ejemplos tpicos de
indicadores incluyen las tasas de crecimiento del PIB, I 1, t los cambios en el desempleo,
I 2, t los movimientos en el empleo, I 3, t y las ventas al por menor I 4,t . El ciclo
econmico es inobservable y debe deducirse de estos indicadores observables.

El ejemplo del ciclo de negocios sugiere el siguiente modelo para los indicadores, Ii , t

Donde s t es el ciclo de negocio latente y ui ,t es un trmino de perturbacin. La

dinmica del ciclo econmico est representada por el modelo autorregresivo de segundo
orden

Adems, la suposicin de que los ui ,t son independientes puede ser relajada para permitir
dinmica adicional por encima y por encima de la dinmica inducida por el ciclo del negocio
s t mediante la especificacin

15.2.2 Teora
El segundo conjunto de ejemplos es ms terico en su naturaleza e ilustra la importancia de ser
capaz de manejar con eficacia los factores latentes en la econometra.

Ejemplo 15.3 Modelo de determinacin de precios de activos de capital

La ecuacin de regresin del modelo de fijacin de precios de capital (CAPM) es

Donde e i ,t es el rendimiento excedente observado de un activo, e m ,t es el rendimiento

excedente observado en la cartera de mercado, i es conocido como el beta del i-simo
2
activo y ui ,t es el trmino de perturbacin con media cero y varianza i . En teora, la
ecuacin CAPM debe ser especificada en trminos del exceso de rendimiento de toda la
riqueza invertida. Como esta variable inobservable, el exceso de rendimiento de la cartera de
mercado, e m ,t es esencialmente servir como un proxy.

Un enfoque alternativo en el CAPM que evita el uso de una variable proxy es tratar el retorno
de la riqueza como un factor latente, st, y volver a especificar el modelo como
Una caracterstica importante de este modelo es que la riqueza agregada se identifica por la
dinmica de los excesos de rendimiento de todos los activos del sistema. El modelo se
completa especificando la dinmica del exceso de retorno sobre la riqueza, s t

Ejemplo 15.4 Tasas de inters reales ex ante

En los modelos econmicos, las decisiones se toman sobre las tasas de inters reales ex ante
que no se observan porque se basan en la tasa de inflacin esperada. La relacin entre los tipos
de inters reales ex post y ex ante es la siguiente. El tipo de inters real a posteriori es

Donde it es la tasa de inters nominal y t es la tasa de inflacin observada. Expandir

esta expresin para permitir una constante y la inflacin esperada, et da:

Donde es ahora la tasa de inters real ex ante y es el

error de las expectativas de inflacin.

15.3 Las recursiones del filtro de Kalman

El filtro de Kalman es un algoritmo para formar predicciones de los factores latentes basados
en sus medios condicionales y luego actualizar estas predicciones de manera sistemtica a
medida que se hacen ms mediciones de las variables observadas. La presentacin de ambas
versiones univariadas (N = K = 1) y multivariantes (N> K 1) del filtro de Kalman resalta la
estructura recursiva y otras propiedades de este algoritmo. Al derivar el algoritmo, se supone
que los parmetros del modelo son conocidos. Esta suposicin se relaja en la Seccin 15.6.

15.3.1 Univariado
Consideremos el modelo univariado que relaciona una sola variable dependiente observada,
y t con un solo factor latente, s t dado por

Donde los disturbios se distribuyen como

 (Son parmetros conocidos)

Prediccin
Considere la posibilidad de formar una prediccin de s t usando la informacin en el tiempo

t-1, definida como Esto puede lograrse tomando las expectativas

condicionales de la ecuacin (15.12)

(Por supuesto y por definicin)

La varianza condicional de s t da informacin dada en el tiempo t - 1 es por definicin

Esta expresin puede obtenerse restando dado en la ecuacin (15.15), de ambos

lados de (15.12) para dar

La cuadratura y la toma de las expectativas dependen de la informacin en el momento t - 1 da

Donde
Las expresiones para la media condicional y la varianza de st dada informacin en t - 1

requieren valores para respectivamente. Esto pone de relieve

la naturaleza iterativa del algoritmo del filtro de Kalman, ya que

estarn disponibles a partir de la fase de actualizacin de la iteracin anterior del filtro como se
describe a continuacin.

Observacin

De (15.11), la expectativa condicional de y t basada en la informacin en el tiempo t - 1 es

Donde por supuesto, y est disponible en la fase de prediccin.

La varianza condicional de y t se obtiene definiendo el error de prediccin condicional de

un paso adelante restando (15,19) de (15,11)

La varianza condicional de y t es entonces

Donde , por supuesto, y est disponible a partir de la fase de

prediccin.

Actualizando
La prediccin condicional del factor s t en (15.15) se basa en la informacin en el tiempo t -
1. Sin embargo, y t est disponible en el tiempo t, por lo que se puede obtener una mejor
prediccin de st con esta informacin. Para lograr este objetivo, considere la ecuacin de
regresin que relaciona los errores en la prediccin s t y y t utilizando la informacin en
el tiempo t - 1, a saber
(Donde "" es un trmino de perturbacin y "" es un parmetro que se identificar a
continuacin. Esta ecuacin puede ser reordenada como)

Donde

Representa la expectativa condicional de st en el tiempo t usando toda la informacin

hasta e incluyendo el tiempo t.

La ecuacin (15.23) representa una regresin de mnimos cuadrados donde es

la variable dependiente es la variable explicativa y es el parmetro
desconocido. El ajuste de la recta de regresin viene dado por (15.24). Se sigue
inmediatamente que est dado por

El numerador de la ecuacin (15.25) se simplifica sustituyendo usando la

ecuacin (15.21) para dar

La simplificacin de la ecuacin (15.26) utiliza la definicin de dada en la ecuacin

(15.17) y tambin la ecuacin (15.18) para deducir que

Ahora usando la ecuacin (15.26) como el numerador en la ecuacin (15.25) y la ecuacin

(15.22) como el denominador da
Este trmino se conoce comnmente como la ganancia de Kalman. As, (15.24) se puede
reescribir como

Donde el ltimo paso se basa en el uso de en (15.19). La varianza

condicional de s t basada en la informacin en el tiempo t es

Utilizando la ecuacin (15.28) para y expandiendo se obtiene

Dadas las expectativas condicionales

Donde el ltimo resultado usa la ecuacin (15.26) con , la variacin

condicional actualizada del factor es simplemente
Iterando
Ahora considere la prediccin de y t +1 usando la informacin en el tiempo t. A partir de

(15.19) esta prediccin requiere que a partir de (15.15) se basa en donde esta
ltima se calcula a partir del paso anterior dado en (15.28). Esto significa que toda la secuencia
de predicciones de un paso adelante puede construirse tanto para la variable observable,
y t como para el factor no observable, s t

Inicializacin

Para la primera observacin, t = 1, el algoritmo requiere algunos valores iniciales para y

El enfoque ms simple es asumir la estacionariedad y establecer los valores iniciales

iguales a los momentos incondicionales de s t obtenidos de la ecuacin (15.12). Estos son,
respectivamente,