Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Cambio estructural
Modelos de umbrales
Procesos no lineales
Gabriel V. Montes-Rojas
Motivacion
xt = f (ut , ut 1 ...)
Cambio estructural
xt = 1 I [t h] + 2 I [t > h] + ut
tiene un cambio en el intercepto.
xt = 0 + 1 tI [t h] + 2 tI [t > h] + ut
tiene un cambio en la tendencia.
xt = 0 + 1 xt 1 I [t h] + 2 xt 1 I [t > h] + ut
tiene un cambio en el parametro autorregresivo.
Cambio estructural
Cambio estructural
Contraste de Chow
Cambio estructural
Contraste de Chow
Cambio estructural
2000
1000
0
yt
-1000
-2000
-3000
(Ver http://www.indec.gov.ar/informacion-de-archivo.asp )
Gabriel Montes-Rojas Procesos no lineales
Procesos estocasticos no lineales
Cambio estructural
Modelos de umbrales
(Ver http://www.indec.gov.ar/informacion-de-archivo.asp )
Gabriel Montes-Rojas Procesos no lineales
Procesos estocasticos no lineales
Cambio estructural
Modelos de umbrales
Cambio estructural
Contraste de Hansen
Los modelos no lineales se pueden aproximar por funciones lineales por partes.
En teora una cantidad suficiente de partes (infinita?) puede aproximar
cualquier funcion no lineal.
Uno de los modelos mas usados en series temporales son los modelos
autoregresivos de umbrales (threshold autoregressive models, TAR) de Tong
and Lim (1980), Tong (1983); y los SETAR (self-exciting threshold
autoregressive) de Tong (1990), Tsay (1989) and Chan (1993)
Los SETAR son modelos AR lineales por partes determinados en el espacio de
los parametros que determinan los umbrales.
Los modelos de umbrales usan modelos lineales por partes para obtener una
mejor aproximacion de la media condicional.
SETAR(1,1)
Ejemplo SETAR(1,1):
yt = 01 I (yt 1 ) + 11 yt 1 I (yt 1 ) +
02 I (yt 1 > ) + 12 yt 1 I (yt 1 > ) + ut
Como estimar ?
T
2
(,
b b) = arg min yt xt ()0 .
(,) t =1
donde = (1 , 2 ) es un vector de 2 2,
x () = [1, yt 1 ] (1{yt 1 }, 1{yt 1 > }), donde 1{.} es una funcion indicador y
es el producto de Kronecker.
Esto tambien se puede implementar en dos pasos:
Consideremos una grilla de valores de .
Para cada se estiman los parametros b por MCO.
Luego encontrar ,
T 2
b = arg min
yt xt ()0 b .
t =1
Una serie de tiempo xt sigue un modelo SETAR con k regimenes y variable de umbral
xt d si
(j ) (j ) (j ) (j )
xt = 0 + 1 xt 1 + ... + p xt p + ut si j 1 xt d < j
- k y d son numeros enteros positivos, j = 1, ..., k
- el ndice j se usa para determinar el regimen
- j son parametros de umbrales = 0 < 1 < ... < k 1 < k =
(j )
- {ut } son ruido blanco con media 0 y varianza j2 , mutuamente independientes
entre los regimenes j
- el parametro d es el parametro de retraso (delay parameter)
yt = 01 I (yt 1 ) + 11 yt 1 I (yt 1 ) +
02 I (yt 1 > ) + 12 yt 1 I (yt 1 > ) + ut
Contrastes de Hansen
- Hansen (1996), siguiendo a Davies (1977, 1987) y Andrews and Ploberger (1994)
proponen usar contrastes sup Wald y ave Wald. Estos son tests Kolmogorov-Smirnov
donde
WT () = T (R b )0 [R V1 R 0 ]1 (R b ),
Contrastes de Hansen
Contrastes de Hansen
Simulacion:
Generar una grilla de valores , = (1 , . . . , g ).
Consideremos j = 1, . . . J simulaciones.
Generar {vtj }T
t =1 iid N (0, 1) y luego
T
SbT ,j () = 1 xt ( )ut ( )vtj , para cada , donde ut () son los residuos
T t =1
MCO.
Construir WT ,j () =
0
R (XT ()0 XT ())1 ST ,j () [R V 1 R 0 ]1 R (XT ()0 XT ())1 ST ,j () .
Esto produce una muestra de J simulaciones del proceso. Hansen (1996) demuestra
que el p-valor se puede aproximar por la distribucion de {WT ,j }Jj=1 .
donde st toma valores {1, 2} y sigue una cadena de Markov con probabilidades
de transicion
Lecturas sugeridas