Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Varr PDF
Varr PDF
Alfonso Novales
Universidad Complutense
Noviembre 2014
Preliminary version
No citar sin permiso del autor
@Copyright A.Novales 2014
Contents
1 Modelos VAR 2
1.1 Un modelo estructural . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.1 El modelo VAR(1) . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Identicacin en un modelo VAR . . . . . . . . . . . . . . . . . . 6
1.2.1 Identicacin y respuestas del sistema: el enfoque Cholesky 9
1.3 VAR y modelos univariantes . . . . . . . . . . . . . . . . . . . . . 13
1.4 Estimacin de un modelo VAR . . . . . . . . . . . . . . . . . . . 14
1.5 Contrastacin de hiptesis . . . . . . . . . . . . . . . . . . . . . . 14
1.5.1 Contrastes de especicacin . . . . . . . . . . . . . . . . . 14
1.5.2 Contrastes de causalidad . . . . . . . . . . . . . . . . . . . 16
1.6 Representacin MA de un modelo VAR . . . . . . . . . . . . . . 17
1.6.1 La descomposicin de Cholesky en el caso general (Apndice) 20
1.7 Funciones de respuesta al impulso . . . . . . . . . . . . . . . . . 20
1.8 Descomposicin de la varianza . . . . . . . . . . . . . . . . . . . 23
1.9 Cointegracin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.9.1 Contraste de cointegracin . . . . . . . . . . . . . . . . . 25
1.9.2 El contraste de cointegracin de Johansen . . . . . . . . . 29
1.9.3 El modelo de correccin de error . . . . . . . . . . . . . . 34
1.9.4 Caso de no cointegracin: Ejemplo . . . . . . . . . . . . . 36
1.9.5 Cointegracin por umbrales . . . . . . . . . . . . . . . . . 36
1.9.6 Aplicaciones . . . . . . . . . . . . . . . . . . . . . . . . . . 37
1.10 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
1.11 Tcnicas de cointegracin en el anlisis de Asset allocation . . 39
1.12 Apndice 1:Las innovaciones de un modelo estructural deben es-
tar incorrelacionadas entre s. . . . . . . . . . . . . . . . . . . . . 41
1.13 Errata en Enders, pgina 299, . . . . . . . . . . . . . . . . . . . . 41
1
1 Modelos 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. Por el contrario,
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 signica que aparece en cada una de ellas el mismo grupo de
variables explicativas.
Pueden incluirse tambin como variables explicativas algunas variables de
naturaleza determinista, como una posible tendencia temporal, variables cticias
estacionales, o una variable cticia de tipo impulso o escaln, que sirve para
llevar a cabo una anlisis de intervencin en el sistema. Por ltimo, podra
incluirse como explicativa una variable, incluso en valor contemporneo, que
pueda considerarse exgena1 respecto a las variables que integran el modelo
VAR.
El modelo VAR es muy til cuando existe evidencia de simultaneidad entre
un grupo de variables, y que sus relaciones se transmiten a lo largo de un
determinado nmero de perodos. Al no imponer ninguna restriccin sobre la
versin estructural del modelo, no se incurre en los errores de especicacin que
dichas restricciones pudieran causar al ejercicio emprico. De hecho, la principal
motivacin detrs de los modelos VAR es la dicultad en identicar variables
como exgenas, como es preciso hacer para identicar un modelo de ecuaciones
simultneas.
donde y1t ; y2t son variables estacionarias, y "1t ; "2t son innovaciones, pro-
cesos ruido blanco con esperanza cero y varianzas 2"1 ; 2"2 : Este es un modelo
1 Se dice que la variable z es predeterminada respecto de una ecuacin si E(z
t s "t ) =
0; 8s 0; siendo "t el trmino de error de dicha ecuacin. La variable sera exgena respecto
de dicha ecuacin si: E(zt s "t ) = 0; 8s 0: Ntese que la exogeneidad no es una propiedad
que una variable tenga con carcter absoluto, como parte de su naturaleza. De hecho, una
variable z puede ser exgena con respecto a una ecuacin y no serlo respecto a otra ecuacin
diferente. Tambin puede decirse que una variable z que satisfaga las condiciones anteriores,
es predeterminada o previa con respecto a la variable que queda explicada por dicha ecuacin.
Con esta interpretacin, la variable z podra ser exgena respecto de una variable y, y no ser
exgena con respecto a otras variables.
2
de ecuaciones simultneas con la nica peculiaridad de que sus dos variables
son endgenas. Un shock inesperado en y2t ; en la forma de un valor no nulo
de la innovacin estructural "2t ; afecta directamente a y2t ; pero tambin inuye
sobre y1t a travs de la presencia de y2t como variable explicativa en la primera
ecuacin. Adems, este efecto se propaga en el tiempo, debido a la presencia
de los valores retardados como variables explicativas. Es natural pensar que los
trminos de error del modelo estructural estn mutuamente incorrelacionados,
puesto que la correlacin contempornea entre y1t e y2t ya est recogida por la
presencia de sus valores contemporneos como variables explicativas en ambas
ecuaciones. Por tanto, suponemos que Cov("1t ; "2t ) = "1 ;"2 = 0 [ver Apndice
1].
El modelo estructural puede incorporar asimismo un vector de variables
explicativas exgenas zt en cada ecuacin:
Byt = 0 + 1 yt 1 + "t
con,
1 11 10 12 13
B= ; 0 = ; 1 =
21 1 20 22 23
3
con lo que habremos pasado a la forma reducida, o modelo VAR, en la cual
los coecientes de yt son la matriz identidad. La relacin entre parmetros de
la forma reducida y de la forma estructural es:
1 1 1 11
B =
1 11 21 21 1
11 12 1 12 + 11 22 13 + 11 23
A1 = = (4)
21 22 1 11 21 22 + 21 12 23 + 13 21
10 1 10 + 11 20
A0 = = (5)
20 1 11 21 20 + 21 10
o, en forma matricial,
En notacin matricial:
yt = A0 + A1 yt + ut (10)
En este modelo VAR, valores negativos de 12 y 21 tienden a inducir cor-
relacin negativa entre y1t e y2t ; si bien no la garantizan, y valores positivos
tienden a generar correlacin positiva. Un shock inesperado en y2t ; en la forma
de un valor no nulo de la innovacin u2t ; adems de afectar a y2t ; inuye sobre
y1 en perodos futuros, debido a la presencia del retardo y2t 1 como variable
explicativa en la ecuacin de y1t :
4
Por tanto, dada la igualdad entre (10) y (2) el modelo VAR puede inter-
pretarse como la forma reducida de un modelo estructural dinmico como el
modelo del que partimos.
Como puede verse, si los trminos de error del modelo estructural eran ruido
blanco, tambin los trminos de error del modelo VAR tandrn estructura de
ruido blanco. Sin embargo, las innovaciones del modelo VAR estarn correla-
cionadas entre s, a pesar de que las innovaciones del modelo estructural no lo
estuvieran, puesto que,
1 2 2 2 2 2
u1t "1 + 11 "2 21 "1 + 11 "2
V ar = 2 2 2 2 2
u2t (1 11 21 ) 21 "1 + 11 "2 21 "1 + "2
de modo que, incluso si los trminos de error del modelo estructural estn
incorrelacionados, "1 "2 = 0; las perturbaciones del modelo VAR tendrn cor-
relacin no nula u1 u2 6= 0. La nica excepcin requerira 11 = 21 = 0; el
caso en que no hay efectos contemporneos de ninguna variable sobre la otra.
Es importante examinar las relaciones entre los parmetros de ambos mode-
los, que son, en el caso del modelo VAR(1), las 6 relaciones entre los parmetros
y los parmetros que aparecen en (4) y (5), ms las 3 relaciones entre los
elementos de las respectivas matrices de covarianzas,
2 1 2 2 2
u1 = 2 "1 + 11 "2
(1 11 21 )
2 1 2 2 2
u2 = 2 "2 + 21 "1
(1 11 21 )
1 2 2
u 1 u2 = 2 21 "1 + 11 "2
(1 11 21 )
5
explicar el movimiento conjunto de 2 variables. En el modelo VAR3 (1), que ex-
plica el comportamiento temporal de 3 variables, habra 3 variables explicativas
retardadas y dos contemporneas, ms una constante, en cada ecuacin, para
un total de 18 coecientes a estimar, 6 en cada ecuacin, ms los 6 elementos
de la matriz de covarianzas de las innovaciones (24 parmetros en total). Si el
modelo fuera de segundo orden en dos variables, VAR3 (2), habra 9 coecientes
a estimar en cada una de las 3 ecuaciones que componen el modelo VAR, con
un total de 27 coecientes, ms los 6 elementos de la matriz de covarianzas de
las innovaciones (33 parmetros en total).
Algunas consideraciones sobre la estimacin de un modelo VAR:
Como puede verse, en un modelo VAR todas las variables son tratadas
simtricamente, siendo explicadas por el pasado de todas ellas. El mod-
elo tiene tantas ecuaciones como variables, y los valores retardados de
todas las ecuaciones aparecen como variables explicativas en todas las
ecuaciones.
Una vez estimado el modelo, puede procederse a excluir algunas variables
explicativas, en funcin de su signicacin estadstica, pero hay razones
para no hacerlo. Por un lado, si se mantiene el mismo conjunto de variables
explicativas en todas las ecuaciones, entonces la estimacin por mnimos
cuadrados ordinarios ecuacin por ecuacin es eciente, por lo que el pro-
ceso de estimacin del modelo es verdaderamente sencillo. Por otro, la
presencia de bloques de retardos como variables explicativas hace que la
colinealidad entre variables explicativas sea importante, lo que hace perder
precisin en la estimacin del modelo y reduce los valores numricos de los
estadsticos tipo t de Student. Por tanto, no es buena estrategia proceder
en varias etapas, excluyendo del modelo las variables cuyos coecientes
resultan estadsticamente no signicativos, por cuanto que esto puede ser
consecuenciad de la colinealidad inherente al modelo.
En el modelo VAR pueden estimarse con bastante precisin los elementos
globales del modelo, como el R2; la desviacin tpica residual, y los mismos
residuos, o el efecto global de una variable sobre otra, lo que se resume en
los contrastes de causalidad que veremos ms adelante. Sin embargo, no
cabe hacer interpretaciones de coecientes individuales en distintos retar-
dos, ni llevar a cabo contrastes de hiptesis sobre coecientes individuales.
6
la forma reducida. A este proceso de recuperacin de parmetros se le conoce
como identicacin del modelo VAR.
Que haya tantos parmetros estimados como parmetros queremos recu-
perar (estimar) en la forma estructural es una condicin necesaria, aunque no
suciente, para lograr la identicacin del modelo estructural. En el ejercicio 1
se prueba que el modelo estructural recursivo bivariante de orden 1,
11 = 12 + 11 22 ; 12 = 13 + 11 23 ;
21 = 22 ; 22 = 23 ; 10 = 10 + 11 20 ; 20 = 20 ; 22 = 23 ;
2 2 2 2 2 2
u1 = "1 + 11 "2 ; u2 = "2 ; u1 u2 = 11 "2 ;
que puede resolverse, con solucin nica, para encontrar los coecientes
junto con 2"1 y 2"2 :
En este modelo no slo se pueden recuperar estimaciones de todos los parmet-
ros que aparecen en el modelo estructural. Tambin las series temporales de
los residuos del modelo estructural pueden recuperarse a partir de los residuos
obtenidos en la estimacin del modelo VAR, mediante,
^"2t = u
^2t ; ^"1t + 11 ^
"2t =u
^1t
Un modelo ms restringido,
7
Al haber introducido una restriccin ms, el modelo estructural est ahora so-
breidenticado, es decir, hay ms de una manera de recuperar valores numricos
para los parmetros de dicho modelo, a partir de las estimaciones numricas del
modelo VAR.
Ms dicultades plantea el modelo,
u1t = "1t
u2t = c21 "1t + "2t
u3t = c31 "1t + c32 "2t + "3t
8
u1t = "1t + c13 "3t
u2t = c21 "1t + "2t
u3t = c32 "2t + "3t
0 1 0 10 1
"1t 1 c13 c32 c13 u1t
@ "2t A = 1 @ c21 1 c13 c21 A @ u2t A
1 + c21 c13 c32
"3t c21 c32 c32 1 u3t
1 11 1 1
"t = But = ut = ut
21 1 21 1
Una posibilidad diferente consistira en identicar el modelo estructural im-
poniendo restricciones sobre la matriz de covarianzas, ya sea imponiendo un
valor numrico para la varianza de "1t ; la varianza de "2t ; o la relacin entre
ambas. Este tipo de restricciones conduce generalmente a soluciones mltiples,
aunque en nmero nito, por lo que el modelo estructural est en tal caso,
sobreidenticado.
Por ltimo, puede conseguirse la identicacin imponiendo restricciones ra-
zonables entre los valores numricos de los parmetros estructurales. Por ejem-
plo, puede imponerse una condicin de simetra, 11 = 21 , o cualquier otra
que resulte adecuada en la aplicacin que se analiza. En el caso del modelo de 2
variables est condicin de simetra de efectos conduce asimismo a la condicin
de igualdad de varianzas para las innovaciones estructurales, lo que no ocurre
en modelos con ms de 2 variables.
9
es la matriz de covarianzas ; existe una nica matriz triangular inferior C; con 1
en su diagonal principal, y una nica matriz diagonal D, con elementos positivos
a lo largo de su diagonal principal, tal que admite una descomposicin,
= CDC 0
Si consideramos la transformacin lineal del vector de los trminos de error
del modelo VAR con la matriz C 1 , obtenemos:
1
vt = C ut ;
1 0 1 0
V ar (vt ) = E(vt vt0 ) = E(C 1
ut u0t C ) = E(C 1
C )=D
por lo que, a diferencia de los componentes del vector u; los elementos del
vector v estn incorrelacionados entre s, ya que su matriz de covarianzas es
diagonal. Invirtiendo la transformacin, tenemos,
0 1 0 10 1
u1t 1 0 0 ::: 0 v1t
B u2t C B c12 1 0 ::: 0 C B C
B C B C B v2t C
B C B
ut = B u3t C = Cvt = B c13 c23 1 ::: 0 C B v3t C
C B
C
@ ::: A @ ::: ::: ::: ::: ::: A @ ::: A
ukt c1k c2k c3k ::: 1 vkt
por lo que,
u1t = v1t ;
u2t = v2t + c12 v1t ;
u3t = v3t + c13 v1t + c23 v2t ; :::
::
es decir,
v1t = u1t ;
v2t = u2t c12 v1t ;
v3t = u3t c13 v1t c23 v2t ; :::
:::
vkt = ukt c1k v1t c2k v2t ::: ck 1;k vk 1;t (13)
10
u1t = v1t ;
u2t = v2t c^12 v1t ;
u3t = v3t c^13 v1t c^23 v2t ; :::
:::
ukt = vkt c^1k v1t c^2k v2t ::: c^k 1;k vk 1;t
11
interpretar los resultados obtenidos. En algunos casos, la propia naturaleza de
las variables har natural pensar que una variable se mueve en anticipacin a la
otra, o que es causal-previa a la otra.
En algunas ocasiones, la transformacin que pasa de las innovaciones uit a
las vjt se basa en la descomposicin:
= CD1=2 D1=2 C 0
y consiste en: wt = D 1=2 C 1 ut = D 1=2 vt ; por lo que la matriz de co-
varianzas del vector transformado es en este caso no solo una matriz diagonal,
sino igual a la matriz identidad, es decir todas las varianzas son iguales a uno:
V ar(w) = Ik . Un shock unitario en wit es igual a un shock en vit de tamao
igual a la desviacin tpica de vit : Las respuestas del sistema a un shock unitario
en vit son respuestas a shocks punitarios en yit , mientras que las respuestas a wit
lo son a shocks de magnitud V ar(vit ) en pyit : Lgicamente, las primeras son
iguales a las segundas, multiplicadas por V ar(vit ):Cuando las variables que
se incluyen en el VAR tienen varianzas diferentes, esta transformacin facilita
la comparacin de respuestas a shocks de tamao comparable.
En un modelo VAR bivariante de orden 1, con dos variables, la descomposi-
cin de Cholesky ser:
2
1 12 1 0 m 0 1 c
2 =
12 2 c 1 0 n 0 1
y es sencillo probar que debe ser: m = 21 ; n = 22 ; c = 12 = 21 : Por tanto,
la constante c no es sino el estimador de mnimos cuadrados en la regresin de
u2t sobre u1t : La transformacin ser:
12
el caso de contar el modelo VAR con k ecuaciones. En este modelo, tiene sen-
tido preguntarse por las respuestas de ambas variables a una perturbacin en
^"1t o en ^"2t ; puesto que ambas estn incorrelacionadas, por construccin. En
respuesta a un impulso en ^"1t , ambas variables, y1t y y2t ; reaccionarn en el
mismo instante, y tambin en perodos siguientes, hasta que dichas respuestas
decaigan a cero. En cambio, en respuesta a una perturbacin en ^"2t , y2 respon-
der en el mismo perodo y perodos siguientes, mientras que y1 slo responder
en perodos siguientes al de la perturbacin. Si utilizamos esta transformacin,
los shocks observados en ^"2 son atribuidos a u2 : Si el modelo VAR contase con 3
variables endgenas entonces, en respuesta a un impulso en ^"3t , tanto y1 como
y2 reaccionarn solo a partir del perodo siguiente.
Este es un modelo estructural exactamente identicado puesto que, como
acabamos de ver en el caso bivariante, el modelo estructural al que llegamos
mediante esta transformacin es un modelo recursivo. Ms adelante analizare-
mos nuevamente, de manera detallada y ms general, esta estrategia de identi-
cacin basada en la transformacin del modelo mediante la descomposicin de
Cholesky de la matriz de covarianzas de las innovaciones del modelo VAR.
tenemos,
20 + 21 Ly1t + u2t
y2t =
1 22 L
con lo que,
20 + 21 Ly1t + u2t
(1 11 L) y1t = 10 + 12 L + u1t
1 22 L
y, nalmente,
2
(1 11 L) (1 22 L) 12 21 L y1t = [(1 22 ) 10 + 12 20 ]+[(1 22 L) u1t + 12 u2t 1 ]
13
1.4 Estimacin de un modelo VAR
Como ya hemos mencionado, en ausencia de restricciones, la estimacin por
mnimos cuadrados, ecuacin por ecuacin, de un modelo VAR produce esti-
madores ecientes a pesar de que ignora la informacin contenida en la matriz
de covarianzas de las innovaciones. Junto con el hecho de que la colinealidad
entre las variables explicativas no permite ser muy estricto en la interpretacin
de los estadsticos t, sugiere que es preferible mantener todas las variables ex-
plicativas iniciales en el modelo.
El estimador es consistente siempre que los trminos de error sean innova-
ciones, es decir, procesos ruido blanco, pues en tal caso, estarn incorrelaciona-
dos con las variables explicativas, por la misma razn que en un modelo univari-
ante. Por tanto, la ausencia de autocorrelacin en los trminos de error de todas
las ecuaciones es muy importante. Tomando ambos hechos conjuntamente, es
fcil concluir que debe incluirse en cada ecuacin, como variables explicativas,
el menor nmero de retardos que permita eliminar la autocorrelacin residual
en todas las ecuaciones. Existen contrastes del tipo de razn de verosimilitud
sobre el nmero de retardos a incluir en el modelo.
Un modelo VAR no se estima para hacer inferencia acerca de coecientes
de variables individuales. Precisamente la baja precisin en su estimacin, de-
saconseja cualquier anlisis de coecientes individuales. Tiene mucho sentido,
por el contrario, el anlisis conjunto de los coecientes asociados a un bloque
de retardos en una determinada ecuacin.
Bajo hiptesis de Normalidad del vector de innovaciones, el logaritmo de la
funcin de verosimilitud es,
Tk T
l= (1 + ln 2 ) ln j ^ j
2 2
siendo ^ la estimacin de la matriz de covarianzas del vector de innovaciones
u,
XT
^= 1 u ^0t
^t u
T t=1
una matriz simtrica, denida positiva, por construccin.
14
ecuaciones, ms 10 parmetros en la matriz de varianzas-covarianzas de las in-
novaciones. El nmero de parmetros a estimar crece muy rpidamente con el
nmero de retardos. Si pasamos de 3 a 4 retardos, tendramos 68 coecientes
ms los 10 parmetros de la matriz de covarianzas. Una estrategia razonable
consiste en incluir en cada ecuacin del modelo el menor nmero de retardos
que permita eliminar la autocorrelacin del trmino de error de todas ellas.
Existe un contraste formal de signicacin de un conjunto de retardos, que
utiliza un estadstico de razn de verosimilitudes,
= (T k)(ln j R j ln j SR j
donde j R j; j SR j denotan los determinantes de las matrices de covari-
anzas de los modelos restringido y sin restringir, respectivamente. Si queremos
contrastar si un cuarto retardo es signicativo, deberamos estimar el modelo
con 3 y con 4 retardos, y construir el estadstico anterior, que tiene una dis-
tribucin chi-cuadrado con un nmero de grados de libertad igual al nmero de
restricciones que se contrastan. Al pasar del modelo con 3 retardos al modelo con
4 retardos, hay que aadir un retardo ms de cada variable en cada ecuacin,
por lo que el nmero de restricciones es igual al incremento en el nmero de
retardos, multiplicado por el nmero de variables, elevado al cuadrado.
Sin embargo, no puede olvidarse que la eleccin del nmero de retardos debe
tener muy en cuenta la eliminacin de autocorrelacin en los residuos. Los es-
tadsticos anteriores no examinan este importante aspecto y, por tanto, no deben
utilizarse por s slos. En consecuencia, una buena estrategia es comenzar de un
nmero reducido de retardos, y examinar las funciones de autocorrelacin de los
residuos, junto con estadsticos del tipo Ljung-Box o Box-Pierce para contrastar
la posible existencia de autocorrelacin, lo que requerira aumentar el nmero de
retardos y con ello, el nmero de parmetros a estimar. Lamentablemente, sin
embargo, es muy poco probable que pueda eliminarse la autocorrelacin residual
con menos de 4 retardos cuando se trabaja con datos trimestrales, o con menos
de 12 retardos, cuando se trabaja con datos mensuales.
Una estrategia distinta para encontrar el orden del modelo VAR consiste
en examinar los denominados criterios de Informacin, que son determinadas
correcciones sobre el valor muestral de la funcin logaritmo de Verosimilitud.
Los ms conocidos son los de Akaike (AIC) y Schwartz (SBC o BIC),
l n
AIC = 2 +2
T T
l ln(T )
SBC = 2 +n
T T
l k ln(ln(T ))
Hannan Quinn = 2 +2
T T
15
En ocasiones, se ignora el trmino constante de la funcin de verosimilitud,
y los criterios anteriores se aproximan por:
AIC = T: ln (j j) + 2n
SBC = T: ln (j j) + n ln(T )
ln (j j) k ln(ln(T ))
Hannan Quinn = 2 +2
T T
siendo N el nmero de parmetros que se estima, y la matriz de covarianzas
de los residuos. Estos estadsticos se calculan para una sucesin de modelos con
distinto nmero de retardos y se comparan, seleccionando aqul modelo que
produce un menor valor del estadstico. Pero no cabe esperar que los tres
criterios conduzcan a la misma conclusin.
Un estadstico de razn de verosimilitudes como el antes descrito puede uti-
lizarse para contrastar cualquier tipo de hiptesis, y no slo la signicacin de
grupos de variables, siempre que el modelo restringido est anidado dentro del
modelo sin restringir.
16
muchos posibles contrastes de causalidad y en algunos casos, el estadstico de
razn de verosimilitudes puede resultar ms til que el estadstico F , al per-
mitir contrastar la exclusin de algn bloque de retardos en varias ecuaciones
simultneamente.
Asimismo, el contraste de causalidad o, lo que es lo mismo, el contraste
de signicacin de un bloque de retardos puede llevarse a cabo mediante un
estadstico de razn de verosimilitudes, en el que el modelo restringido excluye
un grupo de retardos de una ecuacin.
Yt = A0 + A1 Yt 1 + ut = A0 + A1 (A0 + A1 Yt 2 + ut 1) + ut =
= (Ik + A1 )A0 + A21 Yt 2 + (A1 ut 1 + ut ) =
n
X1
= (Ik + A1 + A21 + ::: + An1 1
)A0 + Ai1 ut i + An1 Yt n
i=0
Como puede verse, para la estabilidad del sistema es preciso que las sucesivas
potencias de la matriz A1 decaigan hacia cero, pues de lo contrario, el futuro
lejano tendra efectos sobre el presente, en contra de la rpida amortiguacin
temporal de efectos inherente a todo proceso estacionario. Esto requiere que
las races del polinomio caracterstico de dicha matriz j Ik A1 j= 0; caigan
fuera del crculo unidad, condicin anloga a la que se tiene para un proceso
autoregresivo univariante.
Cuando se cumplen las condiciones de estabilidad, tomando lmites en la
expresin anterior, tenemos,
1
X
Yt = + Ai1 ut i (15)
i=0
17
donde = E(Y ) es el vector de esperanzas matemticas, que viene dado
por,3
1
= (Ik A1 ) A0
Esta (15) es la representacin de medias mviles del VAR.
Adems,
" 1
#2 1 1
X X 0 X 0
2
V ar(Yt ) = E (Yt ) =E Ai1 ut i = Ai1 V ar(ut i ) Ai1 = Ai1 Ai1
i=0 i=0 i=0
En el caso bivariante,
tenemos:
1
1 11 12 10 1 10 (1 22 ) + 12 20
= = I2 =
2 21 22 20 20 (1 11 ) + 21 10
siendo = (1 11 )(1 22 ) 12 21 , y
1
X i 2 i0
11 12 u1 u1 u2 11 12
V ar(Yt ) = 2
21 22 u1 u 2 u2 21 22
i=0
18
2 2
Yt = ( 0 + 1 L+ 2 L +:::)ut =( 0 + 1 L+ 2 L +:::)(Ik A1 L A2 L ::: Ap Lp )Yt
Ik = ( 0 + 1L + 2 L2 + :::)(Ik A1 L A2 L ::: Ap Lp ) =
0 + ( 1 A1 0 )L + ( 2 A1 1 A2 0 )L2 + :::
que conduce a,
0 = Ik
1 = A1
2 = A1 1 + A2
:::
s = A1 s 1 + A2 s 2 + ::: + Ap s p
Yt = ut + 1 ut 1 + 2 ut 2 + 3 ut 3 + ::::
Es importante tambin considerar la representacin MA en trminos de las
innovaciones del modelo estructural:
1
X s
y1t 1 1 11 12 1 11 "1t s
= + (16)
=
y2t 2 1 11 21 s=0 21 22 21 1 "2t s
1
X 1
X
1 11 (s) 12 (s) "1t s
= + = + (s)"t s
2 s=0 21 (s) 22 (s) "2t s
s=0
donde,
s
11 (s) 12 (s) 1 11 12 1 11
(s) = =
21 (s) 22 (s) 1 11 21 21 22 21 1
(17)
En el caso particular de que utilicemos la transformacin de Cholesky para
identicar el modelo, tendremos perturbaciones estructurales:
19
por lo que:
Yt = ut + ~ 1 ut 1 + ~ 2 ut 2 + ~ 3 ut 3 + ::::
con:
~= 1 0
c 1
20
y2 reaccionan, puesto que v2t aparece en ambas ecuaciones en (16) y dicha
respuesta se extiende a varios perodos, hasta que la sucesin 12 (s) se hace
cero. La sucesin de valores numricos f 12 (s)g se conoce como la respuesta de
y1 a un impulso en v2 : El multiplicador o respuesta a largo plazo es la suma
P 1
s=0 12 (s): Esta sumaPexiste si las variables son estacionarias, pues en tal caso
1
ha de cumplirse que j s=0 12 (s) j< 1:
El problema al que nos enfrentamos al tratar de calcular las funciones de
respuesta al impulso es que, si bien contamos con estimaciones numricas de los
parmetros ij ; i; j = 1; 2; desconocemos los parmetros 11 y 21 que aparecen
en (17). En el modelo recursivo que antes vimos, se tiene 21 = 0: Como
se aprecia al resolver el ejercicio 1, en este modelo el parmetro 11 puede
recuperarse mediante ^ 11 = u1 u2 = 2u2 ; y se tiene adems: u2t = v2t y u1t =
v1t + 11 v2t = v1t + 11 u2t :
Las funciones de respuesta al impulso slo pueden obtenerse bajo restric-
ciones de identicacin de este tipo. La estrategia de identicacin basada en
la descomposicin de Cholesky es la ms habitual, y equivale a admitir que una
de las dos variables afecta a la otra slo con retraso, si bien permitimos que en
la otra direccin haya respuesta contempornea. Estaremos caracterizando las
respuestas del sistema a un impulso en cada una de las innovaciones del modelo
estructural o, lo que es lo mismo, en la innovacin u2t y en u1t 11 u2t : Esta
ltima expresin es, en este modelo recursivo, la componente de u1t que no est
explicada por u2t o, si se preere, la componente de u1t que no est correla-
cionada con u2t 4 : Pero si 21 = 0; entonces u1t 11 u2t es, precisamente, igual
a la perturbacin estructural v1t :
Las funciones de respuesta al impulso slo pueden obtenerse despus de
haber introducido restricciones acerca del retraso con que unas variables inciden
sobre otras. Esta eleccin condiciona bastante, en general, el aspecto de las
funciones de respuesta, excepto si las innovaciones del modelo VAR, u1t y u2t
estn incorrelacionadas, en cuyo caso, coinciden con las innovaciones del modelo
estructural.
Las funciones de respuesta al impulso generan una gran cantidad de nmeros,
pues se calcula el impacto que, en cada instante futuro tendra, sobre cada
variable del modelo, un impulso en una determinada innovacin, y ello puede
repetirse para las innovaciones en cada una de las ecuaciones. Por eso, suelen
representarse en varios grcos, cada uno de los cuales incluye las respuestas
a travs del tiempo, de una determinada variable a un impulso en cada una
de las innovaciones; de este modo se tiene tantos grcos como variables en
el modelo, cada uno de ellos conteniendo tantas curvas como variables. Alter-
nativamente, pueden construirse grcos, cada uno de los cuales representa la
4 Sibien 11 no sera en general el coeciente que estimaramos mediante una regresin de
Cov(u1 ;u2 )
u1t sobre u2t . Si proyectamos u1t sobre u2t ; el coeciente estimado ser igual a V ar(u :
2)
Pero u1t = ("1t + 11 "2t )=(1 11 21 ) y u2t = ("2t + 21 "1t )=(1 11 21 ); por lo que
Cov(u1 ; u2 ) = ( 11 2"2 + 21 2"1 )=(1 2
11 21 ) : Por tanto, estimaramos:
^ = 11 +2 21 ;
+ 21
y u1 ^ u2 tendra correlacin nula con u1 : Por ltimo, si 21 = 0; entonces efectivamente:
^= 11 y "t = u1t 11 u2t :
21
respuesta temporal de todas las variables del modelo a un impulso en una de
las innovaciones. Nuevamente hay tantos grcos como variables, cada uno de
ellos conteniendo tantas curvas como variables. El inconveniente del segundo
tipo de representacin es que las respuestas de las distintas variables dependen
de sus respectivas volatilidades, por lo que la comparacin de las respuestas de
dos variables diferentes a un determinado impulso no permite decir cul de las
variables responde ms. Recordando que la desviacin tpica es una medida ade-
cuada del tamao de toda variable aleatoria de esperanza nula, debemos dividir
las respuestas de cada variable por su desviacin tpica antes de representarlas
en un mismo grco. Tampoco un impulso de tamao unidad tiene el mismo
signicado en cada variable, por lo que conviene calcular las respuestas normal-
izadas a un impulso de tamao igual a una desviacin tpica en cada innovacin,
es decir, a un shock unitario en las innovaciones wit ; no en las innovaciones vit .
Ejercicio: Consideremos un VAR(1) en forma reducida sin constante (es
decir, las variables tiene esperanza igual a cero y las innovaciones uit tienen
covarianza cero),
0 1 0 10 1 0 1
y1t 0; 5 0 0 y1t 1 u1t
@ y2t A = @ 0; 1 0; 1 0; 3 A @ y2t 1 A + @ u2t A
y3t 0 0; 2 0; 3 y3t 1 u3t
y supongamos que antes del instante t0 las innovaciones toman un valor igual
a cero en todos los perodos, las variables estn en sus niveles de equilibrio,
yi = yi = 0; i = 1; 2; 3. En dicho instante, la innovacin u1t0 toma un valor
unitario, u1t0 = 1; y vuelve a ser cero en los perodos siguientes. Cul es la
respuesta del sistema?
En el instante t0 ;
0 1 0 1 0 1
y1t0 u1t0 1
@ y2t0 A = @ u2t0 A = @ 0 A
y3t0 u3t0 0
por lo que y2t0 e y3t0 estarn en sus niveles de equilibrio, y2 = y2 = 0; y3 =
y3 = 0, mientras que y1t0 = y1 + 1 = 1:
Posteriormente,
0 1 0 10 1 0 1
y1t0 +1 0; 5 0 0 y1t0 u1t0 +1
@ y2t0 +1 A = @ 0; 1 0; 1 0; 3 A @ y2t0 A + @ u2t0 +1 A =
y3t0 +1 0 0; 2 0; 3 y3t0 u3t0 +1
0 10 1 0 1 0 1
0; 5 0 0 y1 + 1 0 0; 5
= @ 0; 1 0; 1 0; 3 A @ y2 A + @ 0 A = @ 0; 1 A
0 0; 2 0; 3 y3 0 0
22
0 1 0 10 1 0 1
y1t0 +2 0; 5 0 0 y1t0 +1 u1t0 +2
@ y2t0 +2 A = @ 0; 1 0; 1 0; 3 A @ y2t0 +1 A + @ u2t0 +2 A =
y3t0 +2 0 0; 2 0; 3 y3t0 +1 u3t0 +2
0 10 1 0 1 0 1
0; 5 0 0 0; 5 0 0; 25
= @ 0; 1 0; 1 0; 3 A @ 0; 1 A + @ 0 A = @ 0; 06 A
0 0; 2 0; 3 0 0 0; 02
que van proporcionando la primera columna de las matrices que obtenemos
calculando las sucesivas potencias de la matriz de coecientes A1 :
De este modo, tendramos las respuestas del sistema a sorpresas en las in-
novaciones del modelo VAR. Si queremos calcular las respuestas a innovaciones
estructurales, debemos utilizar la representacin,
1
X s
y1t 1 1 11 12 1 11 v1t s
= +
y2t 2 1 11 21 s=0 21 22 21 1 v2t s
1
! 1
! m
X X X1
et (m) = yt+m Et yt+m = + (s)"t+m s Et + (s)"t+m s = (s)"t+m s =
s=0 s=m s=0
( 11 (0)"1t+m + ::: + 11 (m 1)"1t+1 ) + ( 12 (0)"2t+m + ::: + 12 (m 1)"2t+1 )
=
( 21 (0)"1t+m + ::: + 21 (m 1)"1t+1 ) + ( 22 (0)"2t+m + ::: + 22 (m 1)"2t+1 )
que, como vemos, depende de la realizacin de las perturbaciones que se
produzcan en ambas innovaciones desde t + 1 hasta t + m: El tamao del error
de prediccin viene indicado por su varianza:
23
2
Pm 1 2 2
Pm 1 2
e1t (m) 11 (s) + 12 (s)
V ar = 1
2
Ps=0
m 1 2
2
2
Ps=0
m 1 2
e2t (m) 1 s=0 21 (s) + 2 s=0 22 (s)
Pm 1 Pm 1
! Pm 1 Pm 1
!
2 2 2 2 2 2 2 2
v1 s=0 11 (s) v2 s=0 12 (s) v1 s=0 21 (s) v2 s=0 22 (s)
; y ;
V ar (e1t (m)) V ar (e1t (m)) V ar (e2t (m)) V ar (e2t (m))
1.9 Cointegracin
Un vector z de variables de naturaleza I(1) se dicen cointegradas si existe una
combinacin lineal de las mismas, denida por un vector tal que 0 z es una
variable aleatoria I(0), es decir, estacionaria. Ms generalmente, se dice que un
vector z de variables cuyo mximo orden de integracin es q estn cointegradas
si existe una combinacin lineal de las mismas, denida por un vector tal que
0
z es una variable aleatoria I(p); con p < q: El vector se denomina vector de
cointegracin.
24
1.9.1 Contraste de cointegracin
Si partimos de variables yt ; xt de naturaleza I(1); sus primeras diferencias,
yt ; xt son estacionarias. Contrastaramos entonces la cointegracin de yt ; xt
estimando una regresin,
yt = 0 + 1 xt + vt ; t = 1; 2; :::; T (18)
y contrastando la estacionariedad de los residuos, como propusieron Engle
y Granger (1987). Sin embargo, los niveles crticos para el contraste de esta
hiptesis no son los mismos que para el contraste de races unitarias en una
variable, pues ahora, el contraste se lleva a cabo despus de haber estimado el
modelo de regresin (18). Esto no es irrelevante: el procedimiento de mnimos
cuadrados busca los valores del espacio paramtrico ( 0 y 1 en la regresin
anterior) que minimizan la varianza del residuo resultante, y ste tiene una
varianza innita para los valores de 1 que no hacen que las variables estn
cointegradas. Por tanto, si yt ; xt estn cointegradas, el mtodo de MCO ten-
der a seleccionar el valor de 1 que genera residuos estacionarios, es decir, la
constante de cointegracin. Aunque esto es lo que pretendemos, ello signica
que hay una cierta tendencia a concluir con ms frecuencia de la que debiramos
que las variables estn cointegradas. En consecuencia, los valores crticos para
el contraste de raz unitaria de los residuos de (18) deben ser ms elevados en
valor absoluto que los utilizados para el contraste de raz unitaria habitual.
La contraste de cointegracin 1 ; si existe, es nica. En efecto supongamos
que existe otra constante , con 6= ; tal que yt xt es estacionario. Pero
yt xt = yt xt + ( )xt ; y el ltimo sumando no es estacionario, por lo
que no puede ser una constante de cointegracin.
Si los residuos de esta regresin resultan ser estacionarios, decimos que las
variables yt ; xt estn cointegradas, siendo (18) la relacin de cointegracin entre
ambas. Esta relacin sera el producto 0 z anterior despus de normalizar una
de las coordenadas del vector lo cual, evidentemente, siempre es posible.
Se interpreta como la relacin de largo plazo entre ellas, alrededor de la cual
experimentan desviaciones a corto plazo que revierten posteriormente. Es decir,
si en un determinado perodo, yt est por encima del valor numrico de 0 + 1 xt
para ese mismo perodo, generalmente yt crecer por encima de 0 + 1 xt ; de
manera que yt+1 tender a acercarse a 0 + 1 xt+1 . En el caso de dos variables
yt ; xt , decimos que 1 es la constante de cointegracin entre ambas.
El contraste de cointegracin descrito, mediante la contrastacin de la ex-
istencia de una raiz unitaria en los residuos de una regresin, se conoce como
contraste de Engle y Granger. Cuando el vector zt consta de ms de 2 variables
pueden existir varias relaciones de cointegracin. Esto es lo que sucede, por
ejempo, al considerar un vector de tipos de inters a distinto vencimiento, den-
tro de un mismo mercado, ya sea el mercado secundario de deuda pblica, un
mercado de swap en una determinada divisa, etc.. En este caso, el procedimiento
de Engle-Granger para estimar vectores de cointegracin es problemtico, pues
estimaremos una combinacin lineal de las posibles relaciones de cointegracin
existentes entre las variables que componen el vector. De hecho, la estimacin
25
resultante depender de la normalizacin de coecientes utilizada en (18), a
diferencia de lo que ocurre en el caso de dos variables. En tal caso hay que
utilizar el procedimiento de Johansen, que explicamos en la seccin siguiente.
Variables cointegradas: ejemplos
Ejemplo 1 : Un ejemplo de variables cointegradas es,
xt = x + x wt + "xt
yt = y + y wt + "yt
wt = wt 1 + "t
y y y
yt xt = y x + " yt "xt
x x x
400
DAX 30
350
CAC 40
300
250
200
150
100
50
0
Jan-96
Jan-97
Jan-98
Jan-99
Jan-00
Jan-01
Jan-02
Jan-03
Jan-04
Jan-05
Jan-06
Jan-07
26
un estadstico de contraste de -1,489, con p-value 0,833, incluyendo asimismo
7 retardos en la regresin de Dickey-Fuller. Ambos indices tienen una raiz
unitaria.
En primeras diferencias, es decir, trabajando con rentabilidades diarias, para
el CAC tenemos un estadstico de -38,612, con p-value 0,0, incluyendo un retardo
en la regresin de Dickey-Fuller. Para el DAX tenemos un estadstico de -26,78,
con p-value de 0,0 incluyendo 3 retardos en la regresin. Podemos concluir que
las rentabilidades son estacionarias.
Estn cointegrados ambos ndices? Continuamos trabajando con sus loga-
ritmos. Estimamos la regresin:
yt = 0 + 1 xt + vt ; t = 1; 2; :::; T
que arrojar un coeciente 1 no signicativo y un coeciente de determi-
nacin muy reducido.
Al contrastar cointegracin, estamos tratando de detectar la posible exis-
tencia de relaciones de largo plazo entre las variables del modelo. En ese sen-
tido, la naturaleza del contraste sugiere el uso de una datos no necesariamente
frecuentes, y una muestra temporal sucientemente amplia. De lo contrario,
predominar en la muestra, en trminos relativos, la informacin acerca de las
uctuaciones de corto plazo en las variables, frente a la de su evolucin tenden-
cial, que es lo que tratamos de detectar. Por tanto, una eleccin inapropiada de
la muestra, ya sea por una frecuencia alta de observacin de los datos, o por el
uso de un perodo muestral no muy amplio, sesgar el resultado del contraste
hacia la no deteccin de relaciones de cointegracin.
Efectuar un anlisis de cointegracin signica relacionar los niveles de vari-
ables como oferta monetaria y precios, esdecir, variables no estacionarias, y no
sus tasas de variacin. Por el contrario, basar la caracterizacin de la relacin
entre variables como las citadas utilizando coecientes de correlacin estndar
es delicado, pues puede conducir a la deteccin de regresiones espreas. El
concepto de cointegracin generaliza el concepto de correlacin en la direccin
adecuada. La existencia de una tendencia estocstica comn generara una
relacin sostenible a largo plazo entre ambas variables, lo que har que sus
27
diferenciales reviertan a travs del tiempo, es decir, que sean mean-reverting.
No tiene sentido analizar las relaciones entre los niveles de variables I(1) si no
estn cointegradas.5
Cointegracin en un modelo estimado por mnimos cuadrados
Al estimar la relacin anterior por mnimos cuadrados hay que tener en
cuenta que las propiedades de dicho estimador son vlidas nicamente en el
caso de variables estacionarias. Cuando las variables estn cointegradas, el
uso de mnimos cuadrados en la estimacin de la regresin est justicado es-
tadsticamente, pero la distribucin de probabilidad del estimador MCO no es
la habitual. Por tanto, aunque el programa de estimacin que utilicemos nos
proporcionar las desviaciones tpicas estimadas y los ratios tipo-t de cada co-
eciente, estos no son vlidos en este caso, y no deben utilizarse, por ejemplo,
para contrastar hiptesis sobre los coecientes de la relacin de cointegracin.
Hay muchos casos en que el modelo terico sugiere que las variables yt ; xt
deben estar relacionadas con un determinado valor numrico del coeciente, por
ejemplo, 0 = 1; por lo que el investigador estar interesado en contrastar dicha
hiptesis. Esto puede hacerse por un procedimiento indirecto, sustituyendo el
valor terico de ; = 0 en la relacin entre ambas variables. Ello signica
0
que construimos la variable auxiliar wt = yt xt ; y contrastamos la esta-
cionariedad de esta variable. Por ejemplo, la Hiptesis de las Expectativas en
la formacin de la Estructura Temporal de los Tipos de Inters implica que el
diferencial de tipos a largo, Rt ; y corto plazo, rt ; debe ser estacionario, es decir,
en la relacin: Rt = + rt + ut ; los residuos u ^t son estacionarios, y no se
rechaza la hiptesis: H0 : = 1:
Cuando se procede de este modo, es importante repetir el contraste para
valores de 0 en un entorno de 0 ; con el objeto de analizar la precisin con que
hemos identicado la constante de cointegracin.
Correlacin y cointegracin no son sinnimos
El problema de correlacin esprea surge entre variables no estacionarias,
con independencia de que estn o no cointegradas, luego puede haber alta cor-
relacin (de hecho, muy elevada) sin cointegracin. Alternativamente, el hecho
de que exista una relacin de largo plazo entre variables no estacionarias no
impide que stas experimenten desviaciones respecto de la misma que, si son de
apreciable magnitud, reducirn la correlacin existente entre dichas variables.
Un ejemplo sera la evolucin temporal de la cotizacin de un valor en Bolsa,
analizada conjuntamente con un ndice que lo incluya, ya sea el ndice de mer-
cado, un ndice de los valores ms capitalizados, o un ndice sectorial; dado que
todo ndice es un promedio ponderado de las cotizaciones de los valores en l in-
cluidos, cabra esperar que ambas series temporales estuvieran correlacionadas.
Sin embargo, las uctuaciones que ambos experimentan a corto plazo pueden ser
sucientes para que su coeciente de correlacin sea reducido.Un ejemplo tpico
de variables posiblemente correlacionadas pero habitualmente no cointegradas
5 El concepto de cointegracin, como existencia de una tendencia o de una raiz unitaria
comn a varias variables, se extiende a otros conceptos. Asi, se puede hablar de una estructura
ARCH comn a varias variables, si todas ellas tienen estructura ARCH, pero existe una
combinacin lineal de todas ellas que no tiene tal estructura. Common Features.
28
lo constituye algunos tipos de cambio.
Por esta misma razn, cointegracin tampoco es sinnimo de alta capacidad
explicativa. Podemos encontrar, por ejemplo, un conjunto reducido de acciones
que estn cointegradas con el Ibex35, pero al constituir la cartera formada por
dichas acciones utilizando los coecientes de la relacion de cointegracin podri-
amos descubrir que la capacidad explicativa de dicha cartera sobre el Ibex35
fuese muy reducida. La varianza de los residuos de dicha regresin, conocida
como tracking error de la cartera que intenta replicar el Ibex35, sera muy alta.
A partir de dos variables no estacionarias, pero cointegradas, es sencillo
construir dos variables no cointegradas, sin ms que aadir en cada perodo a
una de ellas, un incremento no correlacionado temporalmente. Si la varianza de
este componente no es muy grande, mantendremos una correlacin anloga a la
inicial, que poda ser elevada. Sin embargo, por construccin, las dos variables
no estn cointegradas. Por tanto, hay que tener sumo cuidado en interpretar
los resultados obtenidos en contrastes de cointegracin.
Generalized Purchasing Power Parity
La PPP arma que el tipo de cambio nominal debe estar determinado por
el diferencial de tipos de inters de los dos paises (Paridad cubierta de tipos
de cambio). Dado que este supuesto es claramente refutado por los datos, una
versin ms exible del modelo permitia que los tipos de cambio reales estuviesen
determinados no solo por el diferencial de tipos de inters, sino tambien por el
diferencial de crecimiento de la renta, el diferencial de crecimiento de la oferta
monetaria, etc.. Tampoco esta versin del modelo parece dar buenos resultados.
Una interpretacion es que los determinantes de los tipos de cambio, no siendo
estacionarios, inducen la no estacionariedad de los propios tipos de cambio. Sin
embargo, si los determinantes de distintos paises, no siendo estacionarios entre
si, mantienen relaciones de largo plazo entre ellos, entonces los tipos de cambio
deberian estar cointegrados. [Ejercicio]
yt = t + A1 yt 1 + A2 yt 2 + ::: + Ap yt p + Bxt + t
29
p 1
X
yt = t + yt 1 + i yt i + Bxt + t
i=1
con
p
X p
X
= Ai Ik = (1); i = Aj
i=1 j=i+1
A1 = Ik + + 1
Ai = i i 1 ; i = 2; :::; p; con p = 0kxk
Si yt contiene raices unitarias, entonces j (1)j = 0 y la matriz = (1)
ser singular. Cabe considerar 3 casos:
1. Rango( ) = 0: Esto implica = 0kxk y las variables que componen el
vector yt no estn cointegradas. El modelo ECM se reduce a un modelo
VAR en primeras diferencias:
yt = t + 1 yt 1 + 2 yt 2 + ::: + p 1 yt p+1 + t
yt = t + 1 yt 1 + 2 yt 2 + ::: + p yt p + t
0
1. 0 < Rango( ) = m < k: Entonces, podemos escribir como: = ;
donde y son matrices kxm con Rango( ) = Rango( ) = m: El modelo
ECM se convierte en:
0
yt = t + yt 1 + 1 yt 1 + 2 yt 2 + ::: + p 1 yt p+1 + t
30
Por tanto, un enfoque para contrastar cointegracion es analizar el rango de
la matriz de multiplicadores a largo plazo. Este es el enfoque de Johansen.
De hecho, el enfoque de Johansen, que consiste en estimar el modelo VAR por
mxima verosimilitud y analizar el rango dela estimacin de la matriz ; sugiere
dos contrastes: el contraste de la traza y el contraste del mximo autovalor.
Los contrastes se ejecutan secuencialmente.
En el caso del contraste de la traza, la hiptesis nula es del tipo:
31
correspondientes a la especicacin que se haya propuesto para el componente
determinista.
En algunas ocasiones se leen trabajos en los que el investigador analiza la
posible cointegracin bajo todas las especicaciones posibles del componente
determinista, para luego tomar una decisin en funcin de cuntos de dichos
contrastes hayan dado una respuesta u otra. Incluso algunos programas es-
tadisticos permiten al usuario dar esa opcin. Sin embargo, tal enfoque debe
no es una buena prctica estadstica. El usuario debe analizar previamente
sus series para tener una cierta idea acerca de la estructura del componente
determinista.
Aplicacion practica del contraste de Johansen
Contraste de restricciones
Estimar los modelos restringido y sin restringir, y utilizar el estadstico:
k
X h i
T ln(1 ^ ) ln(1 ^i)
i
i=m+1
32
una relacin de cointegracin, ambos estadisticos toman el valor 6,2206, con p-
value de 0,0126. Dado que trabajamos con una muestra larga, tiene sentido ser
estrictos en el contraste y tomar como nivel de signicacin 99%, con lo cual no
rechazamos dicha hiptesis nula. Otra razn para no hacerlo es que de hacerlo,
concluiramos que existen dos relaciones de cointegracin, es decir, que ambas
variables: Ibex y Futuro sobre Ibex, son estacionarias, lo cual evidentemente no
es cierto.
La estimacin de mxima verosimilitud por el mtodo de Johansen conduce
a a una relacin de cointegracin:
33
de cointegracin. Por tanto, esta hiptesis no se rechaza, y pasamos a creer quee
existen 2 relaciones de cointegracin.
Las dos relaciones de cointegracin se estiman:
m
X n
X
y y
yt = y + 1i xt i + 2i yt i + y zt 1 + " yt (20)
i=1 i=1
Xp Xq
x x
xt = x + 1i xt i + 2i yt i + x zt 1 + "xt
i=1 i=1
34
yt+1 tienda a aproximarse a xt+1 : Lo dual ocurrir tras perodos en que yt
haya sido bajo, es decir, inferior a xt : Si hubiramos normalizado la relacin
de cointegracin de otro modo, habramos denido el trmino de desequilibrio
como zt 1 = yt 1 xt 1 ; y los signos de los coecientes y ; x en (20) deberan
ser entonces los contrarios a los antes descritos.
No es preciso, sin emabrgo, que se produzcan estos signos: la aproximacin
entre ambas variables puede conseguirse asimismo si ambas aumentan o dismin-
uyen simultneamente, pero xt experimenta la mayor variacin. Por tanto, si
ambos coecientes tienen igual signo, x debe ser signicativamente mayor que
y en valor absoluto. De hecho, podra ocurrir tambin que slo unos de los dos
coecientes resulte estadsticamente signicativo, lo que podra interpretarse en
el sentido de que la variable asociada soporta todo el peso del ajuste hacia la
relacin de equilibrio a largo plazo.
La cointegracin entre variables no lleva aadida ninguna interpretacin
concreta en trminos de causalidad entre dichas variables. De hecho, como
la relacin de cointegracion puede normalizarse de distintas maneras, puede
presentarse una apariencia de causalidad en cualquiera de las dos direcciones.
El modelo de correccin de error muestra que, en presencia de cointegracin,
existe importante causalidad entre ambas variables, en principio, con carcter
bidireccional. Slo si algunos de los coecientes del modelo MCE resultan ser
estadsticamente no signicativos, podra hablarse de causalidad unidireccional.
Si dos variables estn cointegradas, al menos una de ellas causa a la otra; sin
embargo, ello podra tambin reejar el efecto comn de una tercera variable,
no considerada en el modelo.
Sin embargo, la ausencia de causalidad en un sistema cointegrado implica
que una de las variables no reacciona a variaciones en la otra. Esto signica
que los retardos de la segunda no aparecen en la ecuacin de la primera ni en la
forma de diferencias, ni tampoco a travs del trmino de correccin del error.
Por ejemplo, al trabajar con datos de precios de contado y del futuro so-
bre un determinado activo nanciero, es habitual hallar un mayor nmero de
retardos del precio del futuro en la ecuacin del contado, que viceversa, lo que
sugiere que los mercados de derivados (en este caso, de futuros), incorporan la
nueva informacin ms rpidamente que los mercados de contado, por lo que
los ltimos parecen responder a uctuaciones en los primeros. En este tipo de
ejemplos, en ocasiones el trmino de correccin de error resulta no signicativo
en la ecuacin de precios del mercado de contado.
Cuando el vector zt incorpora ms de dos variables, y existe ms de una
relacin de cointegracin entre ellas, el modelo de correccin de error adopta una
expresin similar a la antes propuesta. La diferencia estriba en que aparecen
retardos de todas las variables, en diferencias, en todas las ecuaciones, y apare-
cen tantos trminos de correccin de error como relaciones de cointegracin en
cada una de las ecuaciones. Dichos trminos sern los valores retardados de
dichas relaciones de cointegracin; la normalizacin escogida afecta nicamente
a la interpretacin de los valores numricos estimados.
La bsqueda de variables cointegradas abundan en la literatura nanciera,
donde trata de caracterizarse las posibles relaciones de equilibrio a largo plazo
35
entre precios de activos. As, se han analizado las posibles relaciones de coin-
tegracin entre tipos de cambio, entre tipos de inters dentro de una misma
estructura temporal, entre mercados de contado y futuro, entre commodities,
valoracin de divisas. Tambin se ha utilizado este tipo de anlisis para discutir
el grado de integracin entre mercados de valores o de deuda, si bien parece
existir ms evidencia favorable en el primer tipo de mercados. Este anlisis
tiene asimismo implicaciones para la gestin nanciera: en principio, debera
ser posible encontrar una cesta reducida de valores cointegrada con el ndice, lo
que podra utilizarse en la gestin pasiva de carteras. Lo mismo debera ocurrir
con un pequeo conjunto de ndices sectoriales, etc..
36
ft;l st = (rt;l qt;l )(l t) + zt
donde rt;l es el tipo de inters a l periodos y qt;l es la tasa de dividendo
durante el periodo (t; l): El tiempo a vencimiento es l t: El proceso zt debe
carecer de raices unitarias, pues de lo contrario, existiran oportunidades persis-
tentes de arbitraje. Consistiran en tomar una posicin corta en el ndice y una
posicin comprada en el futuro cuando los logaritmos de los precios se separan
en ms del cost-of-carry, siendo ms alto el precio del contado. La estrategia
contraria se tomara si es el precio del futuro el que es ms alto. Para que el
arbitraje resulte economicamente interesante, zt debe exceder de la suma de
costes de transaccin y de cualquier otro factor que acarree costes.
Es habitual que la serie de un indice como S&P500 tenga una raiz unitaria,
al igual que el precio de sus contratos de futuros, pero que resulten cointegrados
una vez que se ajusta por tipos de inters y por dividendos. Tras el ajuste,
es frecuente que [1, -1] sea el vector de cointegracin, como se recoge en la
ecuacin anterior, y la serie cointegrada es zt : Por tanto, debemos especicar
el ECM para las series de rentabilidades: rt = ( ft ; st )0 , donde denota
primeras diferencias.
Las consideraciones de costes que hemos hecho conducen a una especi-
cacin:
rt = 1t + 1 rt 1 + 2 rt 2+ ::: + p rt p + 1 zt 1 + 1t ; si zt 1 1
rt = 2t + 1 rt 1 + 2 rt 2 + ::: + r
p t p + z
2 t 1 + 2t ; si 1 < zt 1 2
rt = 3t + 1 rt 1 + 2 rt 2 + ::: + p rt p + 3 zt 1 + 3t ; si zt 1 2
por lo que tenemos un modelo con 3 regmenes. El arbitraje solo ser posible
si zt es sucientemente grande, es decir, en los regimenes 1 y 3, en cada uno de
ellos tomando una posicin opuesta a la del otro rgimen. El segundo rgimen
corresponde al funcionamiento normal del mercado, y esperaramos que 2 = 0;
pues las dos series de precios se comportaran como un camino aleatorio. [ver
ejemplo con datos en Seccion 8.7.2 en Tsay]
1.9.6 Aplicaciones
Index Benchmark tracking Case Study II.5.4.7 La construccin de una
37
Pero si la cartera resultante no est cointegrada con el ndice (y no hay
garanta de que lo est), su precio podra experimentar desviaciones duraderas
respecto del ndice. Esto se evita utilizando procedimientos de cointegracin,
como se hace en este Case Study para el Dow Jones IA, para conseguir un
tracking error estacionario.
Siguiendo el mtodo de Engle-Granger para analizar la cointegracin entre
un ndice y un conjunto de n activos, estimaramos el modelo:
n
X
ln(It ) = + i ln(Pit ) + "t
i=1
n
! 1
X
0
= i ( 1; 2 ; :::; n)
i=1
1. estimar el modelo con 5 aos de datos diarios para calcular los pesos de
la cartera en ambos mtodos
2. mantener la cartera durante 2 semanas; al trmino de ellas, anotar las
rentabilidades y desplazar la muestra dos semanas para volver a estimar
los pesos
3. repetir hasta agotar los datos.
Pairs trading [Case Study II.5 Pairs] Una estrategia que est popularizn-
dose se basa en que si los precios de dos activos estn cointegrados, su spread
ser estacionario. Esto es lo que sucede con dos indices de volatilidad sobre con-
tratos de futuros: VDAX y VSTOXX. Teniendo cuidado en utilizar el spread
en las mismas unidades que los ndices de volatilidad (por ejemplo, como por-
centajes; en todo caso, el spread se calcula por diferencia de ambos ndices, por
loq ue generalmente no habr problemas). Tras comprobar la cointegracin de
ambos ndices de volatilidad, en el Case Study se estima un ECM que, poste-
riormente, se re-escribe en formato regresin, dejando un indice a la izquierda
de cada ecuacin, no sus primeras diferencias. Esta representacin nos permite
calcular las respuestas a shocks en ambos ndices de volatilidad, as como la
38
evolucin que seguira su spread en respuesta a ambos shocks. Siendo esta-
cionario, el spread revierte a su media de largo plazo, que estimamos mediante
su media muestral 0,00649. Este anlisis permitira disear estrategias tomando
posiciones contrarias en ambos activos.
(ver "Pairs Trading: an empirical study", A. Fiz, tesina del Master en Banca
y Finanzas Cuantitativas, Julio 2014)
1.10 Ejercicios
Considere el modelo estructural recursivo,
donde y1t afecta a y2t slo con cierto retraso. Note que este modelo permite
identicar el trmino de error v2t a partir de las observaciones de la variable
y2t : Pruebe que este modelo est exactamente identicado, en el sentido de que
todos sus coecientes, as como las varianzas de los dos trminos de error pueden
recuperarse a partir de la estimacin del modelo VAR(1) en estas dos variables.
10 = 10 + 11 20 ; 11 = + 11 22 ;
12 12 = 13 + 11 23 ;
20 = 20 ; 21 = 22 ; 22 = 23 ;
2 2 2 2 2 2 2
u1 = v1 + 11 v2 ; u2 = v2 ; u1 ;u2 = 11 v2 ;
sistema que puede resolverse para obtener los 9 parmetros del modelo es-
tructural recursivo.
Muestre que en este modelo, no slo se pueden recuperar estimaciones de
todos los parmetros que aparecen en el modelo estructural, sino tambin las
series temporales de los trminos de error v1t y v2t :
39
Las variables explicativas son los logs delos precios de los activos que pueden
incluirse en la cartera que sigue al ndice.
El problema tiene dos partes: a) seleccionar los activos, b) optimizar las
ponderaciones de la cartera. El primero es difcil. Opciones: fuerza bruta:
estimar muchos modelos con distintas combinaciones de activos y ver cul ajusta
mejor. Basarse en las preferencias de riesgo del inversor, o en las limitaciones de
inversin que se nos impongan. Segundo problema: Tcnicas de regresin, de
anlisis de series temporales multivariante, o de cointegracin. Si se construye
una cartera mediante regresin o cointegracin, as ponderaciones se normalizan
de modo que sumen 1, para ser ponderaciones de cartera.
En global asset management: primero, elegir los pases, y despus, comprar
o vender futuros sobre los ndices de los pases, o repetir el problema dentro de
cada pas, para obtener carteras de seguimiento de cada ndice.
En modelos de un slo pas: Primero, seleccionar los sectores; despus, se-
leccionar los activos dentro de cada sector.
Constrained allocations:
Ejemplos:
Seleccionar una cartera que invierte al menos un 50% en Espaa.
Fijar como rentabilidad benchmark la del SP100 ms un 5% anual
Construir un fondo corto-largo en 12 pases prejados, con un ndice
mundial como benchmark
Utilizar como variable dependiente, el ndice que se quiere replicar, menos
w-veces el precio del activo en el que se nos restringe a tomar una posicin del
w%. Si se nos exige una posicin en el activo no superior al w% el problema
es ms difcil. Primero, resolver el problema sin restringir, a ver si hay suerte:
satisface la solucin la restriccin?
Supongamos que no podemos tomar posiciones cortas. Si alguna ponderacin
es negativa, se ja en cero, y se vuelve a resolver, iterando de este modo. Conar
en alcanzar una solucin.
Seleccin de parmetros:
El modelo bsico de index tracking mediante cointegracin se dene en
funcin de ciertos parmetros:
Una rentabilidad alfa por encima de l ndice
El intervalo de datos diarios que se utiliza en la estimacin training
period
La relacin de activos en la cartera
Las posibles restricciones
Los parmetros se selecciona en base al resultado de pruebas dentro y fuera
de la muestra.
Dentro de la muestra:
Estadsticos ADF
Standard error of regresin
Turnover
Testing period:
Tracking error variance: varianza de los errors de rplica diarios RMSE
Dierencial de rentabilidades entre la cartera y el ndice
40
Information ratio: (Mean daily tracking error)/(desviacin tpica del
daily tracking error) a lo largo del testing period
La decisin puede basarse sobre un alfao sobre el nmero de activos
que queremos incluir en la cartera.
v2t = v1t + at
obteniendo que el residuo a
^t ; denido por a
^t = v2t ^v1t ; estara incorrela-
cionado, por construccin, con v1t :
Si representamos el modelo estructural en forma matricial,
0 1
y premultiplicamos por la matriz ; lo que equivale a sustituir
^ 1
la segunda ecuacion por la diferencia entre sta y el resultado de multiplicar la
primera ecuacin por ^; tendramos,
i=0 i=0
2
1 + ( + 22 ) 12
V ar(Yt ) = (I2 A21 ) 1
= 21 12 22 11
2
M ( 11 + 22 ) 21 21 12 + 11
2 2 2
con M = 1 21 12 + 11 1 21 12 + 22 ( 11 + 22 ) 12 21 :
41