PRISMA

Consultora Empresarial de Negocios

CURSO DE EXTENCION UNIVERSITARIA
Y
CURSO DE FINANZAS AVANZADAS
Curso: Econometra
Expositor: Bachiller. Milagros Rosario Quispe Q.

TEMAS

MODELOS MULTIECUACIONES DE SERIES DE TIEMPO

Introduccin al anlisis VAR

Estimacin e identificacin

Funcin de impulso respuesta

VAR estructural
 MODELOS VECTORIALES AUTOREGRESIVOS (VAR)

Utilizamos un modelo del tipo vector autoregresivo (VAR) cuando queremos caracterizar
las interacciones simultneas entre un grupo de variable. Un VAR es un modelo de
ecuaciones simultneas formado por un sistema de ecuaciones de forma reducida sin
restringir. Que sean ecuaciones de forma reducida quiere decir que los valores
contemporneos de las variables del modelo no aparecen como variables explicativas en
ninguna de las ecuaciones. El conjunto de variables explicativas de cada ecuacin est
constituido por un bloque de retardos de cada una de las variables del modelo. Que sean
ecuaciones no restringidas significa que aparece en cada una de ellas el mismo grupo de
variables explicativas.

As, en un modelo vectorial autoregresivo de primer orden, VAR(1), las variables

explicativas de cada ecuacin son: una constante, ms un retardo de cada una de las
variables del modelo. Si el modelo pretende explicar el comportamiento temporal de 3
variables, habra 3 variables explicativas, ms constante, en cada ecuacin, para un total de
12 coeficientes a estimar. Si el modelo fuera de segundo orden, VAR(2), habra 7
coeficientes a estimar en cada una de las 3 ecuaciones que componen el modelo VAR.
Como puede verse, todas las variables son tratadas simtricamente, siendo explicadas por el
pasado de todas ellas.

EL MODELO VAR (1)

En el caso ms simple, con slo dos variables y un retardo, el modelo VAR2(1) es,

o, en forma matricial,

Donde los trminos de error satisfacen,

Un shock inesperado en y2t, en la forma de un valor no nulo de la innovacin u2t, adems
de afectar a y2t, influye sobre y1t, a travs de de la correlacin entre las innovaciones de
ambas variables. En general, una sorpresa en y2t vendr acompaada de un valor no nulo
de la innovacin u1t, salvo en el caso excepcional en que u1u2 = 0. Estos efectos se
propagan en el tiempo debido a la presencia de los valores retardados como variables
explicativas.

En general, un modelo VAR se especifica,

Donde Yt es un vector columna nx1, K es el orden del modelo VAR, o nmero de retardos
de cada variable en cada ecuacin, y ut es un vector nx1 de innovaciones, es decir, procesos
sin autocorrelacin, con V ar(ut) = , constante. El elemento (i, j)en la matriz As, 1 s K
mide el efecto directo de un cambio en Yi en el instante t sobre las variables explicativas al
cabo de s perodos, Yj,t+s. El elemento i-simo en ut es el componente de Yit que no puede
ser previsto utilizando el pasado de las variables que integran el vector Yt.

VAR ESTRUCTURAL

Es de muy til interpretar el modelo VAR como forma reducida de un modelo estructural

De forma resumida, la representacin matricial del modelo estructural puede escribirse,

y si suponemos que la matriz B tiene inversa, lo cual requiere que 1121 6= 1,
tenemos,

Como puede verse, si los trminos de error del modelo estructural eran ruido blanco,
tambin los trminos de error del modelo VAR tendrn estructura ruido blanco. Sin
embargo, las innovaciones del VAR estarn correlacionadas entre s, puesto que,
de modo que, incluso si los trminos de error del modelo estructural estn

incorrelacionados, las perturbaciones del modelo VAR tendrn correlacin no

nula.

FUNCIN DE IMPULSO RESPUESTA

Esta funcin nos permite ver impacto que tienen los shocks de las variables del modelo y1t
e y2t una perturbacin en las innovaciones 1t, 2t. Por ejemplo, los coeficientes 12(s)
reflejan el impacto que en los distintos perodos s, s 1, tiene sobre y1 una perturbacin del
tipo impulso en 2.

Esta funcin es obtenida a travs de la forma MA del modelo Var. Un problema que
puede presentar un modelo SMA surge cuando pueden producirse simultneamente
perturbaciones en distintas variables del sistema es decir, las perturbaciones pueden estar
correlacionas o pueden no ser ortogonales.

Para solucionar este problema se recurre a ortogonalizar el vector de perturbaciones del

sistema. Como la matriz de varianzas- covarianzas del sistema es definida positiva entonces
la descomposicin de Scholeski garantiza la existencia de una matriz no singular.
 PRISMA
Consultora Empresarial de Negocios
CURSO DE EXTENCION UNIVERSITARIA
Y
CURSO DE FINANZAS AVANZADAS
Curso: Econometra
Expositor: Bachiller. Milagros Rosario Quispe Q.

TEMAS

COINTERGRACION Y MODELO DE CORRECCIN DE ERRORES

Combinacin lineal de variables integradas

Cointegracin y tendencias comunes

Cointegracin y mtodo de correccin de errores

Prueba de cointegracin
 COINTEGRACIN

Este implica la existencia de algn tipo de relacin estable entre series inestables (series no
estacionarias, integradas de orden d>0). El anlisis univariado de cada una de ellas nos
indicara que su patrn de comportamiento es aleatorio.

Sin embargo, un anlisis mltiple de series probablemente determinar la existencia de

algn tipo de relacin entre estas variables. Una vez determinada la existencia de
cointegracin, se buscar estimar los parmetros que definen esta relacin.

La definicin terica ms frecuentemente empleada es aquella formulada por Engle y

Granger (1987), en donde definen el concepto de cointegracin de la siguiente manera:

Un conjunto de variables xt son denominadas cointegradas de orden (d,b), y denotadas

como

x CI (d,b) t , si:

i. xt es integrada de orden d, I(d),

ii. existe un vector, diferente de cero, tal que una relacin lineal

es integrada de orden I(d-b), d b > 0 .

Donde el vector es denominado vector de cointegracin.

Es importante destacar la serie resultante de la cointegracin entre variables no

necesariamente debe ser I(0). Sin embargo, la nocin de equilibrio de largo plazo,
desarrollada en la seccin anterior, y la definicin restrictiva de cointegracin de Engle y
Granger sealaran que lacombinacin deberan ser I(0). Sin embargo, cualquier set de
variables que sean CI(d,b), donde b>0, contiene cierta informacin acerca de la conducta de
largo plazo de las series involucradas.

La estimacin MCO de un vector de cointegracin es denominada como superconsistente.

Esto se debe a que nuestro estimador se aproxima asintticamente a su verdadero valor de
forma ms rpida el estimador MCO tradicional. En este ltimo caso, la tasa a la que
converge a su verdadero valor es de 1/ T . Cuando las variables cointegran, la tasa es de 1/T.
Esto significa que mientras que los estimadores MCO convergen como T ( ) N ; los
estimadores de una regresin de cointegracin lo hacen as: T( ) N .
TENDENCIAS COMUNES

Un segundo concepto a tener en cuenta al hablar de cointegracin, es que sta se produce a

nivel de las tendencias de las series, tal como lo demuestran Stock y Watson.

Se debe considerar que toda la serie de tiempo est conformada por un componente
tendencial, un componente estacional o cclico y un componente estacionario. Si nos
olvidamos por el momento de la existencia del segundo componente, podremos afirmar que
las series bajo el anlisis de cointegracin estn caracterizadas por la presencia de un
componente estacionario y un componente no estacionario (es decir, una tendencia
estocstica). A continuacin se probar que la relacin de cointegracin se da a este nivel.

En primer lugar, se determina la conformacin de las siguientes variables:

en donde Mt, Yt y rt representan las series de demanda por dinero, el producto y la tasa de
inters, respectivamente. El componente tendencial ( t) est representado por una serie
camino aleatorio (random walk), mientras que el componente ( t) es una serie estacionaria.

En el caso que se llegase a determinar la existencia de un vector de cointegracin entre

las tres variables, entonces la combinacin lineal que utiliza como coeficientes a cada
elemento del vector debera darnos como resultado una serie estacionaria:

Ahora, si reemplazamos los elementos que conforman cada variable obtendremos:

Nos indica la presencia de una relacin CI(1,1), la combinacin lineal de sus componentes,
usando el mismo vector, tambin debera de darnos una serie estacionaria. Sabemos que el
segundo componente del lado derecho de esta ecuacin es estacionario por lo que
necesariamente el primer componente debe ser, en promedio, igual a cero.
Dado que cualquier combinacin lineal entre los elementos it resulta en una serie
estacionaria, la verdadera relacin de equilibrio debe de darse entre las tendencias de las
series para que cointegren. Si bien cada una de estas tendencias es estocstica

por lo que no mantiene ningn patrn establecido, los comovimientos

entre estas variables van a estar relacionados mutuamente para que puedan cumplir con esta
relacin.

EL MODELO DE CORRECIN DE ERRORES (MCE)

Supongamos que existe una relacin de equilibrio entre la tasa de inters interna (i) y la
tasa de exterior medida por ala Libor. Esta relacin puede ser representada como un sistema
de ecuaciones.

Para llevar a cabo esto, se tiene que definir la relacin de largo plazo que siguen estas
variables i = + libor. Ahora bien, el comportamiento corriente de estas variables ser
formulado de la siguiente manera:

en donde es una constante, 1t y 2t son errores ruido blanco que pueden estar
correlacionados y los coeficientes 1, 2 y son positivos. Estos dos primeros tambin son
conocidos como coeficientes de ajustados. La magnitud de los mismos nos indica cual de
las dos variables responde con mayor celeridad ante un desequilibrio.

Como se observa en estas ecuaciones, las posibles fuentes de cambio de las variables libort
e it son los shocks aleatorios o bien la discrepancia pasada con respecto a la relacin de
equilibrio:

Esta discrepancia influir en el valor que ambas series

debern de tomar en el periodo t para que el sistema se aproxime a su equilibrio de largo
plazo.
Este sistema de ecuaciones representa la dinmica existente detrs de la explicacin del
comportamiento de las tasas de inters hecho prrafos arriba. Si existe una discrepancia
positiva en la relacin de equilibrio , el ajuste se efectuar de
distintas formas.

En el caso en que tanto el coeficiente 1 como 2 sean significativamente diferentes de

cero, el ajuste se llevar a cabo por ambas tasas. Por un lado la variable libort se
incrementar; mientras que por otro, la variable it disminuir. De esta forma, el
comportamiento conjunto de ambas variables reduce la discrepancia producida en el
periodo anterior.

En el caso que la variable it sea la tasa de inters interna de una economa pequea,
entonces es imposible que alguna variacin de sta provoque efecto alguno sobre la tasa de
inters extranjera (internacional). En cambio, la variacin de esta ltima s provoca grandes
efectos en esta economa.

En este caso, si se plantea un MCE es muy probable que el coeficiente de ajuste de la

ecuacin de libort no sea significativamente diferente de cero (es decir, es nulo). Por lo
que todo el ajuste de corto plazo se produce en la ecuacin de it . Es importante recalcar
que basta que por lo menos uno de estos coeficientes sean diferente de cero para que exista
un MCE.

Incluyendo los rezagos de la de la primera diferencia de las variables:

La inclusin de estos rezagos responde a la necesidad de lograr una modelacin dinmica

que nos proporcione residuos ruidos blancos. La presencia de los mismos determinar la
forma en que se realiza el ajuste hacia el equilibrio. Este ser ms o menos gradual en
funcin del nmero de rezagos que aparezcan en el modelo de correccin de errores.
Teorema de Representacin de Granger

El ejemplo de las tasas de inters nacional y extranjera nos indica claramente que existe una
relacin entre la estimacin de largo plazo (cointegracin) y la de corto plazo (MCE). Los
valores que toman ambas variables da a da no pueden estar divorciado de su relacin de
largo plazo y viceversa. Esta relacin recibe el nombre del Teorema de Representacin de
Granger.

Este teorema afirma que si tanto x1 como x2 son series I(1), y si la relacin de largo plazo
entre ambas es estable: , entonces se puede afirmar que estas variables son
generadas por un modelo de correccin de errores.

La existencia variables CI(1,1) implica la existencia de un MCE entre estas.

METODOLOGAS PARA ESTIMAR EL VECTOR DE COINTEGRACIN.

1. METODOLOGA DE ENGLE Y GRANGER

Consta de dos etapas: primero calcula a travs de MCO los posibles coeficientes del vector
de cointegracin (de la relacin esttica); y en un segundo paso, se estima el MCE para
determinar si estos coeficientes calculados realmente constituyen los de una relacin de
equilibrio de largo plazo a travs del anlisis dinmico de este modelo.

As esta metodologa busca estimar, como primer paso, el vector de cointegracin (); y
luego de reemplazar estos errores en el MCE, se analiza la presencia de las caractersticas
propias de un conjunto de variables que en su comportamiento dinmico (corto plazo)
mantienen una relacin de largo plazo.

En este sentido, la forma en que se comporta el trmino de error aleatorio u2t desempea
un rol importante. Por consiguiente, como primer paso se estimar el valor de . Para esto
se emplear el test de Dickey-Fuller. Sin embargo, en esta situacin el rechazo de la
hiptesis nula, que usualmente implicaba la ausencia de una raz unitaria, ahora implica
presencia de cointegracin entre las variables.

Problemas que presenta esta metodologa:

1. Los valores que se puedan estimar del vector de cointegracin estn sujetos a la variable
que se coloque como dependiente. Es decir, si primero colocamos a yt como la variable
dependiente de xt y wt, la relacin estimada puede diferir con aquella que se obtiene de
colocar como variable dependiente a xt. Lo mismo se repite si colocamos a wt.
Asintticamente estos estimadores son iguales (previa normalizacin). Sin embargo, en la
prctica empleamos muestras que generalmente no son lo suficientemente grandes.

2. Los resultados obtenidos de aplicar esta metodologa dependen de la buena

especificacin del modelo. La omisin de variables podra generar conclusiones errneas
con respecto a las relaciones entre variables.

Si, por ejemplo, se busca comprobar la existencia de alguna relacin entre las variables x1 y
x2, cuando en realidad la verdadera relacin involucra una tercera variables, x3, se
estimara el siguiente modelo:

la serie { u t } presentar raz unitaria ya que est incluyendo en ella a la serie { x3 t. } Por
lo tanto se concluira la no existencia de alguna relacin entre estas variables, lo cual es
falso.

3. La metodologa de Engle y Granger tan slo considera la presencia de una sola relacin
de cointegracin. En el caso que se cuente con n variables (n>2), entonces pueden existir
hasta n-1 relaciones de equilibrio. Si el nmero de relaciones de cointegracin es mayor
que 1, entonces los resultados que obtendremos al emplear esta metodologa estn alterados.

2. TEST DE JOHANSEN

Johansen y Stock y Watson desarrollaron un test alternativo que emplea un proceso de

mxima verosimilitud. Esta forma de estimacin cuenta con la ventaja de realizar el clculo
del vector de cointegracin dentro de un modelo dinmico (MCE). Adems, este test
contempla la posibilidad de contar con ms de un vector de cointegracin.

A diferencia de la metodologa E&G, que analiza los residuos de las regresiones, el test de
Johansen concentra su anlisis sobre el rango y las races caractersticas del sistema de
ecuaciones.

De esta manera se elimina procedimientos un tanto subjetivos (como la ordenacin de las

variables o bien el empleo de diversos valores crticos).

El procedimiento de estimacin propuesto por Johansen realiza la estimacin de manera

conjunta de todo el sistema, logrando calcular los coeficientes de tanto la relacin de
cointegracin (x y w) como del resto de coeficientes del sistema. Por este motivo, el
estimador MCO no puede ser empleado en este contexto, siendo necesario la aplicacin de
un procedimiento de mxima verosimilitud.
ANLISIS DE SERIES DE TIEMPO

Modelo Estacionario No Estacionario

Univariante ARMA (p,q) ARIMA(p,d,q)

Cointegracin
Multivalente VAR VAR en diferencias

POSIBLES ESCENARIOS PARA LA CONBINACION DE K VARIABLES

Escenario I Escenario II Escenario III

K variable estacionarias K variable integradas de K variable no estacionarias

VAR irrestricto Orden d :
(variables a nivel)
Si existe cointegracion
entonces numero de vectores
cointegracion K-1.
con diferentes orden de
integracin, entonces no es
admisible el anlisis de un
modelo sistemtico para la
dinmica entre variable.

No existe cointegracion,
entonces un VAR en
diferencias.