Documentos de Académico
Documentos de Profesional
Documentos de Cultura
3) Señale la respuesta CORRECTA en relación con los aspectos que distinguen un modelo
VAR de un modelo estructural.
a) Al contrario que el VAR, el modelo estructural es multiecuacional.
b) Al contrario que los estructurales, los modelos VAR predicen más de una variable.
c) Al contrario que los VAR, en los modelos estructurales las variables endógenas no
pueden ser explicadas por sus propios retardos.
d) Al contrario que los estructurales, en los modelos VAR todas las variables explicadas
retardadas actúan como explicativas.
4) Un modelo ARCH (1) sería un modelo GARCH (0,1) donde se tendría en cuenta la
información de predicción sobre la última varianza conocida de la variable endógena
(varianza del período anterior).
Donde p es el orden del término GARCH y q el orden del término ARCH. Luego un
modelo ARCH (q) se plantea como un caso concreto de este modelo GARCH, en el que los
parámetros β i son iguales a cero.
12) En el modelo VEC, se supone que las dos variables endógenas y1,t e y 2,t tendrán
un valor medio distinto de cero, pero la ecuación de cointegración tendrá un término
independiente nulo. Alternativamente, puede admitirse que las dos variables
endógenas y1,t e y 2,t no tienen tendencia y considerar que la ecuación de
cointegración tiene término independiente.
G= (0.24-0.09)/(1-0.3)=0.2
El impacto en el momento t (L0) es 0.24
�0,5 0, 03 �
Var()= � �
�0, 03 0,8 �
Cuadro 2
Pairwise Granger Causality Tests
Date: 04/13/11 Time: 00:02
Sample: 1960 1995
Lags: 2
Solución
a) A la luz de los resultados del criterio de AKAIKE y el de Schwarz el menor valor
de estos criterios es el de orden 2, por lo tanto ese es el orden más adecuado para
formular el modelo VAR.
b) En cuanto a los resultados del test de Granger para contrastar la relación de
causalidad entre la variación del logaritmo del consumo privado y la inflación, en
ambos casos el P-valor es inferior a 0,05, el valor crítico habitual de la probabilidad
en los contrastes de hipótesis. Por lo tanto, en ambos casos rechazamos la
hipótesis nula tal y como está formulada, con lo que el consumo ayuda a predecir
la inflación y la inflación ayuda a predecir el consumo, es decir, hay
retroalimentación o causalidad bidireccional en el sentido de Granger.
c) En efecto, en este caso y a la luz de los resultados del test de Granger la
modelización de la relación dinámica de esas variables por medio del modelo VAR
es adecuada. No sería correcto utilizar modelos ADL, porque éstos solo recogen
la relación de causalidad en una dirección.
1) Un investigador quiere analizar si entre las variables y t y xt,, que son I(1), existe
una relación de largo plazo. Para ello, ajusta un modelo por MCO obteniendo los
siguientes resultados:
Yt =0.6 +0.96 xt + ệt
(0.1) (0.2)
Los datos entre paréntesis son las desviaciones estándar. Además se ha calculado
el estadístico Dickey-Fuller para los residuos (ệt ) que toma el valor de -1.40. El
valor en las tablas Dickey –Fuller para el nivel de significación del 5% es -2,97,
que se toma como valor crítico para contrastar la hipótesis nula. Señale cual de las
siguientes afirmaciones son ciertas y porqué.
a) Las variables mantienen una relación de largo plazo
Falso, pues los residuos no son estacionarios
b) Los residuos no son estacionarios
Verdadero, el estadístico de D-F es mayor que el valor crítico, luego se acepta
la hipótesis de que existe una raíz unitaria
c) Las variables ∆yt y ∆xt son estacionarias
Verdadero, si las variables yt y xt, son I(1) quiere decir que al aplicar una
primera diferencia se alcanza la estacionariedad
d) Las variables no están cointegradas
Verdadero, no están cointegrada puesto que en el modelo de regresión o de
largo plazo entre las series de nivel los residuos no son estacionarios.
e) El parámetro 0.96 es la velocidad de ajuste entre las variables.
Falso, porque no estamos ante un modelo con mecanismo de corrección de
error.
2) Se tiene el siguiente modelo VAR:
X t = 0.1 X t-1 + a 1t
Y t = 0.5 X t-1+ 0.5 Y t-1 +a 2t
Donde a 1t y a 2t son procesos ruido blanco con varianza unitaria y covarianza cero
0.3L 0.6 L2
zt rt (1 0.3L) a t
1 0.4 L
Falso, porque el filtro recoge impactos a partir del siguiente periodo del que se
producen las variaciones. En el numerador del filtro no aparece L 0
b) La ganancia o multiplicador de largo plazo de la variable z t respecto de la r t
es 1,5.
Verdadero, la ganancia o multiplicador de largo plazo es
G= (0.3+0.6)/(1-0.4)=1.5
4.- Considere dos variables, Z t y Rt, t=1,…,T, de las que se quieren estimar las
relaciones dinámicas que existen entre ellas.
El modelo sería:
Formule dicha ecuación dando a los coeficientes los valores que satisfacen
las condiciones anteriores.
R t = 0.8 Zt-1 + 0.6 Rt-1+ aRt
�0,5 0, 03 �
Var()= � �
�0, 03 0,8 �
1
La instrucción en eviews es Quick-Estimate VAR-VAR specification: Unrestricted VAR
b) ¿Alguna de las variables es fuertemente exógena?
No, porque las dos variables entran en las dos ecuaciones y sus parámetros son significativos
AIC= 1.409
z t 0.002 u t
Donde ut es un ruido blanco con varianza unitaria
Se trata de un mercado eficiente, pues el precio de la acción es acorde con un proceso paseo
aleatorio con deriva, típico de los mercados eficientes, en los que la predicción del precio
futuro es el precio actual
Además el estadístico Jarque-Bera es igual a 19,7, superior al valor en tablas. Este estadístico
sigue una χ con 2 grados de libertad que al 5% de error es igual a 6. Por tanto, se rechaza la
normalidad.
yt t t
t2 0.3 0.4 y t21
Donde εt está igual e independiente distribuida con media cero y varianza 1.
También habrá observado que el histograma refleja que la variable es leptocúrtica y que el
estadístico de Jarque-Bera refleja que no sigue una distribución normal.
Por ello, habrá decidido estimar un modelo para la varianza. En concreto, este es un modelo
ARCH (1)
Estos modelos sirven para modelizar la volatilidad de las variables financieras y obtener
predicciones, útiles en los análisis de riesgos.
Considere la variable adjunta Xt
Respuesta
Puesto que log Xt requiere, tal como es asumido en el texto, una diferencia anual para
transformarla en una serie estacionaria, contrastaremos la hipótesis de que Δ 12 log Xt
es integrada de orden uno I(1), utilizando el test de Osborn, Smith y Birchenhall (1988).
Para tal propósito, formularemos el modelo de regresión:
Respuesta
El hecho de que se haya aplicado logaritmos a X t, implica que se ha aplicado esta transformación
para conseguir estacionariedad en varianza.
Por otra parte, si Δ12 log Xt es I(1), ello significa que requiere una diferencia regular de orden uno
para ser estacionaria, por tanto la variable estacionaria es Δ Δ12 log Xt y, puesto que
Δ Δ12= 1 – L – L 12(1-L),
log Xt se puede escribir como
log Xt = log X t-1 +Δ log X t-12 + w t , (2)
donde w t es un componente estacionario. De (2) es claro que log X t tiene una raíz unitaria,
reflejada por el término log X t-1 en el lado derecho de (2), significando que log X t no converge a
una media constante, sino que incorpora un pasado infinito. A partir de (2), se puede obtener la
siguiente expresión
Δ log Xt = Δ log X t-12 + w t, (3)
que implica que Δ log X t – que puede ser considerada como la tasa de crecimiento de X t -también
tiene una raíz unitaria y, por tanto, no converge a una media constante, sino que incorpora un
pasado infinito. La consecuencia es que log X t no oscila alrededor de una media constante, sino
que exhibe oscilaciones estacionarias alrededor de su valor previo log X t-1 aumentadas por un
incremento previo (Δ log X t-12). La consecuencia es que log X t tiene dos raíces unitarias y que los
datos observados muestran una evolución de crecimiento sistemático; es decir, no hay
estacionariedad en la parte regular, tal como refleja el gráfico.
Además en (3), la variable Δ log Xt no oscila alrededor de su valor previo (log X t-1), sino alrededor
del valor en el mismo mes del año previo, incorporando una evolución estacional, es decir, no hay
estacionariedad en la parte estacional.
En conclusión, las características no estacionarias de X t consisten en presentar no estacionariedad
en varianza, una tendencia, en forma de crecimiento sistemático, más oscilaciones estacionales
que configuran una senda no estacionaria de log X t.
La variable, log Xt, evoluciona alrededor de una senda no estacionaria con oscilaciones
estacionarias (wt)
Respuesta
Tal como se ha expuesto en la pregunta anterior, el modelo de la serie será
Δ Δ12 log Xt = w t ,
Donde w t es la transformación estacionaria que seguirá un modelo ARMA.
Puesto que ΔΔ12 log Xt es estacionaria, esto significa que, en general, estará
correlacionada con valores previos y futuros y estas correlaciones solamente dependerán
de la distancia temporal, por ejemplo k, entre Δ Δ 12 log Xt y cada uno de los mencionados
valores. Esto significa que la correlación entre Δ Δ 12 log Xt y Δ Δ12 log Xt-k es la misma que
la correlación entre Δ Δ12 log Xt+h y Δ Δ12 log Xt+h-k para cualquier valor entero de k. Por
tanto, para la variable estacionaria Δ Δ 12 log Xt , podemos considerar la correlación con el
retardo de un periodo (Δ Δ12 log Xt-1 ), de dos periodos (Δ Δ12 log Xt-2 ),…, o con un retardo de
p periodo (Δ Δ12 log Xt-p ) y así sucesivamente. Estas correlaciones vienen denotadas por ρ 1,
ρ2,………,ρp y sucesivamente. Esta secuencia de coeficientes de correlación es conocida
como la Función de Autocorrelación (FAC) para el proceso estacionario Δ Δ 12 log Xt . La
FAC incorpora las correlaciones entre las variables Δ Δ 12 log Xt y Δ Δ12 log Xt-k . Por tanto,
los coeficientes ρ1, ρ2,………,ρp son coeficientes que definen la distribución conjunta del
vector de variables V=[ ΔΔ 12 log Xt , ΔΔ12 log Xt-1 , ΔΔ12 log Xt-2 ,…………, ΔΔ12 log Xt-p ]. Esto
significa que son los parámetros poblacionales, consistentes en valores fijos que reflejan
las correlaciones entre las variables del vector V.
En general, los valores de la FAC son desconocidos y los estimamos a partir de la serie
temporal, ΔΔ12 log Xt Si denominamos r1, r2,………,rp a los estimadores de ρ1, ρ2,………,ρp , la
secuencia de r1, r2,………,rp, se denomina correlograma. Estas estimaciones son una función
de variables estocástica que son, a su vez, variables estocásticas y cada estimación r k
tendrá una determinada función de distribución. En el caso estándar y para estimaciones
obtenidas de series temporales largas de ΔΔ 12 log Xt, la función de densidad de r k será
normal con media ρk y varianza v que puede aproximarse por 1/T, donde T es el número
de observaciones utilizadas en la estimación del correlograma.
Por tanto, los valores de ACF son constantes: son parámetros poblacionales, pero los
valores del correlograma no lo son, estos están sujetos a oscilaciones muestrales. Puesto
que estos últimos tienen una distribución de densidad, se puede contrastar hipótesis sobre
los valores del correlograma. En particular, se utiliza el estadístico t para contrastar si r k es
cero. Aplicando el test de la t para valores individuales del correlograma o un test
conjunto para un conjunto de valores, por ejemplo r 1, r2,………,rs se inferirá si los
correspondiente valores de FAC son o no cero.
En el caso presente, se nos dice que, en concreto, wt sigue un modelo AR(1), es decir:
ΔΔ12 log Xt = a ΔΔ12 log Xt + at
Donde at es ruido blanco, entonces se puede derivar que:
ρk = ak (4)
Puesto que nos dicen que el valor del parámetro es 0.6, entonces de la formula anterior se tiene
que la correlación de ΔΔ12 log Xt con ΔΔ12 log Xt-1 es 0.6 (correlación de primer orden), con
ΔΔ12 log Xt-2 e 0.36 (correlación de segundo orden) y con ΔΔ 12 log Xt-3 es 0.216 (correlación
de tercer orden).
Puesto que el proceso es estacionario, el valor de a en (4) ha de ser menor que uno en
valor absoluto; por tanto, el valor 0.6 utilizado en el ejemplo anterior, y consecuentemente
la secuencia de valores de la FAC del proceso AR(1) tiende a cero cuando la distancia k
entre variables tiende a infinito.
5.-En el modelo AR(1) anterior, calcule la media marginal, la media condicional, la varianza
marginal y la varianza condicional.(10 puntos)
Respuesta
El modelo anterior era:
ΔΔ12 log Xt = a ΔΔ12 log X t-1 + at . (5)
EJERCICIO
Un departamento de análisis de un Banco de Inversión quiere analizar la relación entre los
tipos de interés a corto plazo (Ct) y a largo de Colombia (Lt).
Todas ellas son I(1) con media igual a cero en la transformación estacionaria.
1) Formule un modelo VAR(1) para las series log Ct y log Lt. Describa la formulación
del modelo suponiendo que existe una dependencia dinámica triangular (12
puntos)
Respuesta
Donde ajt, j=1 y2 son los componentes ruido blanco con matriz de varianzas-covarianzas Ω
12 12
Ω= 2
21 2
Si numeramos log Lt, log Ct como las variables 1 y 2, respectivamente, tendremos que los
parámetros φij, miden el efecto del primer retardo de la variable j en la ecuación de la variable i.
Por su parte φ12 mediría el efecto que los tipos de interés a corto plazo retardada un periodo
tienen sobre los tipos a largo en el momento (t). Por tanto, los coeficientes φ ij´s reflejan todos los
efectos dinámicos en el sistema, que tal como se ha definido en la pregunta, solamente llegan
hasta un periodo retardado.
En este caso, suponemos que existe una dependencia dinámica triangular; es decir, φ12 = σ12 =0.
Además, la covarianza entre los términos residuales también es cero. Estamos ante un modelo
recursivo.
Asumiendo, por tanto, que log L t es fuertemente exógena en la ecuación de log C t , el modelo
VAR(1) recursivo resultante es:
(2.1) Log Lt = φ11logLt-1 + a1t (2)
(2.2) Log Ct = φ21logLt-1+ φ22 log C t-1 +a2t ,
Y la matriz de varianzas-covarianzas Σ es
Σ= ;
2) Describa con detalle cómo contrastaría si las series log Ct y log Lt están
cointegradas. (11 puntos)
Respuesta
Cointegración solamente se aplica para variables integradas. Puesto que el modelo (2) tiene solo
variables retardadas un periodo como regresores, log L t y log Ct pueden ser como máximo
integradas de orden uno. Antes de considerar cointegración, deberíamos contrastar si log L t y Log
Ct son I(1). Podemos hacerlo aplicando el test de Dickey-Fuller. A continuación se ilustra como
aplicar este test para la variable log Lt.
Puesto que log Lt sigue un simple modelo AR (1) –con una raíz unitaria si log L t es integrada-,
entonces no tendremos que aplicar el test de Dickey-Fuller aumentado, sino que el test simple de D-
F test es bastante. Empezaremos formulando la regresión:
elementos determinísticos presentes en (3). Por tanto, compararemos el valor de con los
valores tabulados a un nivel de significación determinado (A). Si
>A,
Entonces no rechazamos la hipótesis nula de y, por tanto, no rechazamos que log L t e es I(1).
Se procederá de manera similar para contrastar que logC t es I(1).
En este caso, el enunciado nos dice que ambas variables son I(1); podremos contrastar
cointegración utilizando la aproximación de Engel-Granger, formulando una regresión entre las
variables de nivel y contrastar si los residuos son I(0), en cuyo caso log L t y Log Ct estarán
cointegradas. La regresión dinámica para este test debería ser la ecuación de log C t en (2). Después
de estimar esta regresión dinámica, aplicaríamos el test de D-F a los residuos a 2t formulando la
siguiente regresión:
∆a2t = da2t-1+εt , (4)
y contrastando : H0: d =0. Si rechazamos la hipótesis nula, entonces a 2t es estacionaria y log Lt y log
Ct están cointegradas. El test de cointegración será realizado por medio del estadístico t, ,
pero ahora su distribución no estándar no se corresponde a la distribución tabulada por D-F, sino
por la tabulada por Engle and Granger.
3) Sabiendo que el resultado de los contrastes anteriores indican que las series están
cointegradas formule un modelo VEqMC para ellas. Suponga que el parámetro φ 11
es igual a la unidad. (10 puntos)
Respuesta
Puesto que Lt es fuertemente exógena en la ecuación de log C t, entonces el modelo recursivo en (2)
es el apropiado. El modelo recursivo con causalidad de C t hacia Lt se elimina. Por tanto, siendo log
Lt y log Ct integradas de orden uno, entonces φ11=1, debido a que log Lt sigue un modelo AR (1)
(aspecto que ya se señala en el enunciado). Puesto que log L t es fuertemente exógena, el
mecanismo de corrección de error derivado de la relación de cointegración solamente entra en la
ecuación de log Ct. De hecho, la ecuación para for log L t en el modelo VEqCM es:
∆Log Lt = a1t
Para obtener el modelo de corrección para log Ct, nótese que el orden del VAR para las variables
log Lt y log Ct es uno, por tanto, el modelo VEqCM que se define utilizando las variables
dependientes ∆Log Lt y ∆Log Ct, no pueden tener retardos de esas variables dependientes porque
ello implicaría que el orden dinámico de (2) debería ser mayor que uno. La consecuencia es que el
modelo de equilibrio para log Ct incluirá solamente el término de corrección de error.
El término de corrección de error será
α),
Siendo β la ganancia de largo plazo en la segunda ecuación en (2). Ello significa que
y el coeficiente del regresor de log C t-1 en la formulación de (2) con ∆Log Ct como variable
dependiente. Esto implica que
y, por tanto,
– = φ21 /α.
Otra forma de llegar a (5.2) es restar en ambas partes de (2.2) log C t-1, multiplicar y dividir por
φ22log C t-1 y –( φ22-1)=(1- φ22) y simplificando los términos de la ecuación resultante,
obtendremos:
∆Log Lt = a1t
21
∆Log Ct = (φ22 -1) log C t 1 log Lt 1 + a2t.
1 22
Es el desequilibrio en log C en el momento t-1 con respecto a su valor de largo plazo (β log L t-1).
-α= (φ22 -1) es el coeficiente de ajuste, significando que la proporción del término de desequilibrio
en t-1 -log C t-1 – β log L t-1- se corrige en ∆log C en el próximo periodo, t.
5) Discuta bajo qué hipótesis sobre los parámetros la variable log Lt sería fuertemente
exógena en la ecuación de log Ct. (12 puntos)
El hecho de que Log Lt sea fuertemente exógena en la ecuación de log Ct, implica:
a) En el modelo VAR, se tendría φ12 = σ12 =0. Es decir, el modelo es recursivo y no hay
dependencia contemporánea.
b) El parámetro del término de corrección de error en (5.1) es igual a cero; significando que
los desequilibrios en el largo plazo no afectan a log L t. De hecho, log Lt es adelantado a log
Ct en el largo plazo, en el sentido de que un shock propio en a 1t afectando su tendencia de
largo plazo (log Lt ) es trasmitida a través del modelo de corrección de error a log C t.
c) La covarianza entre a1t y a2t, significa que shock de ambas variables log Lt y log Ct no están
correlacionadas. Ello indica que no hay relación contemporánea.
d) Como consecuencia de lo anterior, el modelo se puede estimar de manera uniecuacional.
Por una parte se estimaría la ecuación de log Lt y, por otro, la de log Ct. que es una
ecuación con un mecanismo de corrección de error.