ECONOMETRIA I

Econ. M. Sc. LUIS ANTONIO ROSALES GARCIA

CAP€TULO I
MODELOS DINÄMICOS
I. INTRODUCCIÄN
I.1. JUSTIFICACIÄN
 Necesidad de incluir la dinÅmica temporal en los modelos:

 Existencia de desfases en la disponibilidad de informaci•n que hacen

que las decisiones se tomen en base a datos del pasado.
 Las decisiones se toman tras un proceso de evaluaci•n que genera un
desfase entre la informaci•n evaluada y la acci•n final.
 Determinados procesos complejos necesitan de un periodo de
ejecuci•n que, nuevamente desfasa la acci•n final de la informaci•n
valorada.
 Existencia de medidas o acciones que tienen efecto en m‚s de un
periodo.
 La consideraci•n explƒcita de la evoluci•n pasada como una
expectativa de los valores presentes.
 Existencia de procesos progresivos de ajuste hasta niveles deseados u
•ptimos.

Bibliografƒa recomendada:
Judge,Griffiths,Hill,Lee (1980):”The Theory and Practice of Econometrics”.
John Wiley & Sons.New York.
 Sabemos que las variables econ€micas tienen bastante inercia, lo que
conduce a que una variable dependa de su propio pasado, adem•s de otras
causas. As‚ por ejemplo: para tratar de explicar el comportamiento de la inflaci€n
π t, tendr‚a sentido introducir como variables explicativas, junto con la tasa de
crecimiento monetario m t, retardo de la propia tasa de inflaci€n:
π t = β 0 + β 1 π t -1 + β 2 m t + u t

Es importante observar que la existencia de una relaci€n din•mica entre variables, as‚
como su mayor o menor persistencia (n„mero de retardos precisos para
representarla), dependen crucialmente de cu•l sea la frecuencia de observaci€n de
los datos que se emplean en la estimaci€n. Por ejemplo, si una variable X t influye
sobre otra Y t no s€lo contempor•neamente, sino tambi…n durante los dos meses
siguientes, entonces la relaci€n ser‚a din•mica si el investigador utiliza datos
mensuales, pero resultar• est•tica si utilizase datos anuales
I.2. TIPOS DE MODELOS
I.3. MODELOS DINAMICOS
Planteamientos teÇricos que conducen a una especificaciÇn dinÅmica:

Modelo de EXPECTATIVAS ADAPTABLES.

Cagan (1956).

Modelo de AJUSTE PARCIAL.

Nerlove (1956).

Modelo de EXPECTATIVAS RACIONALES.

Munth (1960, 1961).
 Modelo de EXPECTATIVAS ADAPTABLES. Cagan (1956).

El nivel de la variable end•gena Yt depende de un valor no observado de

expectativas de la ex•gena X*t

Yt   0  1 X t*  et
Las expectativas se revisan (actualizan) en funci•n de las desviaciones
observadas en el pasado.

X t*  X t*1   ( X t 1  X t*1 )


Resolviendo la anterior ecuaci•n diferencial se obtiene X    (1   )i X t 1 i
*
t
i 0

Sustituyendo el valor de la expectativa en la 1… ecuaci•n: Y     i
t 0 1   (1   ) X
i 0
t 1 i  et

Transformado la expresi•n anterior:

Yt   0   1X t 1  (1   )Yt 1  et  (1   )et 1
 Modelo de EXPECTATIVAS ADAPTABLES. Cagan (1956).

El nivel de la variable end•gena Yt depende de un valor no observado de

expectativas de la ex•gena X*t

Yt   0  1 X t*  et
Las expectativas se revisan (actualizan) en funci•n de las desviaciones
observadas en el pasado.

X t*  X t*1   ( X t 1  X t*1 )

Resolviendo la anterior ecuaci•n diferencial se obtiene X    (1   )i X t 1 i
*
t
i 0

Sustituyendo el valor de la expectativa en la 1… ecuaci•n: Yt   0  1   (1   )i X t 1 i  et
i 0

Transformado la expresi•n anterior:

Yt   0   1X t 1  (1   )Yt 1  et  (1   )et 1
 Modelo de EXPECTATIVAS ADAPTABLES. Cagan (1956).

El nivel de la variable end•gena Yt depende de un valor no observado de

expectativas de la ex•gena X*t

Yt   0  1 X t*  et
Las expectativas se revisan (actualizan) en funci•n de las desviaciones
observadas en el pasado.

X t*  X t*1   ( X t 1  X t*1 )


Resolviendo la anterior ecuaci•n diferencial se obtiene X t*    (1   )i X t 1 i

i 0


Sustituyendo el valor de la expectativa en la 1… ecuaci•n: Y     i
t 0 1   (1   ) X
i 0
t 1 i  et

Transformado la expresi•n anterior:

Yt   0   1X t 1  (1   )Yt 1  et  (1   )et 1
 
Yt 0  1(1)i Xt1i et (1)
i0
Rezagamos un periodo:

= + (1 − ) +

multiplicamos por (1-‫)גּ‬:

(2)
(1 − ) = (1 − ) + (1 − ) + (1 − )

(1) - (2):
- (1 − ) = + +( − (1 − ) )
Despejando:

= + + 1− + ( − (1 − ) )

Resulta un modelo AUTOREGRESIVO.

Modelo de AJUSTE PARCIAL. Nerlove (1956).

Las variables ex•genas Xt determinan el valor •ptimo (deseado) de la variable

end•gena. Y*t

Y *t   0  1 X t  et
S•lo se alcanza una parte del valor •ptimo en cada periodo

Yt  Yt 1   (Yt *  Yt 1 )

Sustituyendo la primera expresi•n en la Yt  Yt 1   ( 0  1 X t  et  Yt 1 )

segunda:

Despejando el valor corriente de la Yt   0  1X t  (1   )Yt 1  et

end•gena:
Modelo de AJUSTE PARCIAL. Nerlove (1956).

Las variables ex•genas Xt determinan el valor •ptimo (deseado) de la variable

end•gena. Y*t

Y *t   0  1 X t  et
S•lo se alcanza una parte del valor •ptimo en cada periodo

Yt  Yt 1   (Yt *  Yt 1 )

Sustituyendo la primera expresi•n en la Yt  Yt 1   ( 0  1 X t  et  Yt 1 )

segunda:

Despejando el valor corriente de la Yt   0  1X t  (1   )Yt 1  et

end•gena:
Modelo de EXPECTATIVAS RACIONALES. Munth (1960, 1961).

El nivel de la variable end•gena Yt depende de las expectativas racionales

formadas sobre el valor de la ex•gena X*t

Yt   0  1 X t*  et (Similar al modelo de Cagan)

Las expectativas racionales se forman con toda la informaci•n disponible

hasta el periodo anterior:

X t*  E ( X t  t 1 )

La esperanza condicional viene representada por un proceso ARMA:

X t  a1 * X t 1  a2 * X t 2  ...   t  b1 *  t 1  b2 *  t 2  ...
El modelo inicial se convierte en un modelo din‚mico:

Yt   0  1 * (a1 * X t 1  a 2 * X t  2  ...   t  b1 *  t 1  b2 *  t  2  ...)  et

Modelo de EXPECTATIVAS RACIONALES. Munth (1960, 1961).

El nivel de la variable end•gena Yt depende de las expectativas racionales

formadas sobre el valor de la ex•gena X*t

Yt   0  1 X t*  et (Similar al modelo de Cagan)

Las expectativas racionales se forman con toda la informaci•n disponible

hasta el periodo anterior:

X t*  E ( X t  t 1 )

La esperanza condicional viene representada por un proceso ARMA:

X t  a1 * X t 1  a2 * X t 2  ...   t  b1 *  t 1  b2 *  t 2  ...
El modelo inicial se convierte en un modelo din‚mico:

Yt   0  1 * (a1 * X t 1  a 2 * X t  2  ...   t  b1 *  t 1  b2 *  t  2  ...)  et

Modelo de EXPECTATIVAS RACIONALES. Munth (1960, 1961).

El nivel de la variable end•gena Yt depende de las expectativas racionales

formadas sobre el valor de la ex•gena X*t

Yt   0  1 X t*  et (Similar al modelo de Cagan)

Las expectativas racionales se forman con toda la informaci•n disponible

hasta el periodo anterior:

X t*  E ( X t  t 1 )

La esperanza condicional viene representada por un proceso ARMA:

X t  a1 * X t 1  a2 * X t 2  ...   t  b1 *  t 1  b2 *  t 2  ...
El modelo inicial se convierte en un modelo din‚mico:

Yt   0  1 * (a1 * X t 1  a 2 * X t  2  ...   t  b1 *  t 1  b2 *  t  2  ...)  et

La existencia de procesos autorregresivos en las variables ex•genas Xt
induce problemas de multicolinealidad en las estimaciones de modelos
din‚micos, mientras que la existencia de end•genas desplazadas nos
induce problemas de regresores estoc‚sticos.

En la medida en que los coeficientes de autocorrelaci•n sean m‚s altos

se agrava el problema de la colinealidad de los regresores.

La propia existencia de procesos autorregresivos dificulta el contraste

de los modelos din‚micos.
II. MODELO CON VARIABLE
ENDÄGENA REZAGADA
Si aparecen valores retardados de la variable endÄgena, dejarÅa de cumplirse
uno de los supuestos bajo los que desarrollamos las teorÅas de estimaciÄn e
inferencia del modelo economÇtrico, pues algunas de las variables explicativas
serÅan variables aleatorias (ya que Yt lo es).

El modelo:

donde u es un proceso de ruido blanco y el estimador de mÅnimos

cuadrados ordinarios es:
las distribuciones de Yt y us no son independientes, puesto que
si el valor absoluto de es inferior a la unidad, entonces:
II.1.PERTURBACIÄN
INCORRELACIONADA
STATA:
Abrir el programa
Abrir el archivo d1rec1.dta
Se obtiene:
Comenzar una bit•cora
Estimar por M. C. O. el modelo:
 Verificar autocorrelaci€n
Durbin:
Calculamos el estad‚stico h:
: ó

H N95%
V/S
0.0443565 1.644854
<
∴
Breusch Godfrey:
: ó

TR2 CHI TR2 CHI

V/S
0.000 3,8414 V/S
< 1,072 5,9914
<
∴
∴
Box Pierce:
: ó
 BP1 CHI BP2 CHI
V/S V/S
0.0179 3,8414 1,0424 5,9914
< <
∴ ∴
 MODELO NÉ02

= + + + − +

EVIEWS:
Se estima por M. C. O. y se verifica autocorelaciÄn, para obtener los
estadÅsticos se aplicarÑ un programa.
Se obtiene:
Durbin:
: ó

H N95%
V/S
0.016452 1.644854
<
∴

BREUSCH GODFREY:
: ó
TR2 CHI TR2 CHI
V/S V/S
0.000863 3,8414 1,241683 5,9914
< <
∴ ∴

BOX PIERCE:
: ó

Genr m2bp1= 148*(-0.002)^2

Genr m2bp2= 148*((-0.002)^2+0.088^2)

BP1 CHI BP2 CHI

V/S V/S
0.000592 3,8414 1,146704 5,9914
< <
∴ ∴
GRETL:
Se estima por M. C. O. y se verifica autocorelaciÄn, para obtener los
estadÅsticos se aplicarÑ un programa.
Durbin:
: ó

H N95%
V/S
-0.029611 -1.644854
>
∴
BREUSCH GODFREY:
: ó

TR2 CHI TR2 CHI

V/S V/S
0.000863 3,8414 1.241676 5,9914
< <
∴ ∴
BOX PIERCE:
: ó

Genr m2bp1= 148*(-0.0023)^2

Genr m2bp2= 148*((-0.0023)^2+0.0878^2)

BP1 CHI BP2 CHI

V/S V/S
0.000592 3,8414 1,146704 5,9914
< <
∴ ∴
STATA:
Se estima por M. C. O. y se verifica autocorelaciÄn, para obtener los
estadÅsticos se aplicarÑ un programa.
Durbin:
: ó

Gen m2h = (1-1,997412/2)*sqrt(148/(1-148*0,0238971^2))

H N95%
V/S
0.016403 1.644854
<
∴

BREUSCH GODFREY:
: ó
TR2 CHI TR2 CHI
V/S V/S
0.001 3,8414 1,242 5,9914
< <
∴ ∴

BOX PIERCE:
: ó

gen m2bp1= 148*(-0.0023)^2

gen m2bp2= 148*((-0.003)^2+0.0878^2)

BP1 CHI BP2 CHI

V/S V/S
0.0007829 3,8414 1,1469124 5,9914
< <
∴ ∴
II.1.PERTURBACIÄN
CORRELACIONADA
Porque:
MODELO NÖ 03:
= + + +
Eviews:
Se estima el modelo por M. C. O. y se verifica autocorrelaci€n.
Aplicamos el programa m3.
Se obtiene los resultados siguientes:
Durbin:
: ó

genr m3h = (1-1.709616/2)*sqrt(148/(1-148*0.024844^2))

H N95%
V/S
1,852994 1.644854
>

BREUSCH GODFREY:
: ó
TR2 CHI TR2 CHI
V/S V/S
3,208674 3,8414 6,741162 5,9914
< >
∴ R

BOX PIERCE:
: ó

genr m3bp1= 148*(0.145)^2

genr m3bp2= 148*(0.145^2+0.168^2)

BP1 CHI BP2 CHI

V/S V/S
3,1117 3,8414 7.288852 5,9914
< >
∴
Para obtener estimadores consistentes vamos ha estimar el modelo por M. C.
B.
Para comprobar que la conclusi€n anterior es correcta se tiene que realizar el
test de endogeneidad. Entonces abrimos la estimaci€n de MCB <> View <>
IV Diagnostics & tests <> Regressor endogeneity Test <> Aceptar,
TEST DE ENDOGENEIDAD:
: −1 ó .

DJ CHI
V/S
7,966079 > 3,8414

Por lo tanto, el m…todo de estimaci€n correcto es el m…todo de variables

instrumentales o m‚nimo cuadrado biet•pico.
Gretl:
Se estima el modelo por M. C. O. y se verifica autocorrelaci€n.
Aplicamos el programa m3.
Se obtiene los resultados siguientes:
Durbin:
: ó

H N95%
V/S
1,850179 1.644854
>

BREUSCH GODFREY:
: ó
TR2 CHI TR2 CHI
V/S V/S
3,208674 3,8414 6,741162 5,9914
< >
∴ R

BOX PIERCE:
: ó

genr m3bp1= 148*(0,1449)^2

genr m3bp2= 148*(0.1449^2+0.168^2)

BP1 CHI BP2 CHI

V/S V/S
3,107409 3,8414 7.284561 5,9914
< >
∴
Para obtener estimadores consistentes vamos ha estimar el modelo por M. C.
B: Modelo <> variables instrumentales <> m‚nimos cuadrados en dos
etapas.
Para comprobar que la conclusi€n anterior es correcta se tiene que realizar el
test de endogeneidad.

TEST DE ENDOGENEIDAD:

: .

DJ CHI
V/S
8.60356 > 3,8414

Por lo tanto, el m…todo de estimaci€n correcto es el m…todo de variables

instrumentales o m‚nimo cuadrado biet•pico.
Stata:
Carga el archivo de los datos, luego genera la bit•cora. Se estima el modelo
por M. C. O. y se verifica autocorrelaci€n. Aplicamos el programa mod din3.
Se obtiene los resultados siguientes:
Durbin:
: ó

Gen m3h = (1-1,709616/2)*sqrt(148/(1-148*0,0248436^2))

H N95%
V/S
1.852995 1.644854
>
∴

BREUSCH GODFREY:
: ó
TR2 CHI TR2 CHI
V/S V/S
3.209 3,8414 6.741 5,9914
< >
∴ ∴

BOX PIERCE:
: ó

gen m3bp1= 148*(0.1449)^2

gen m3bp2= 148*((0.1449)^2+0.168^2)

BP1 CHI BP2 CHI

V/S V/S
3.107409 3,8414 7.284562 5,9914
< >
∴ R
Para obtener estimadores consistentes vamos ha estimar el modelo por M. C.
B:
o:
Para comprobar que la conclusi€n anterior es correcta se tiene que realizar el
test de endogeneidad. Entonces vamos a utilizar el programa o comando
Hausman:
Nos da:

: .
DJ CHI
V/S
6.62 > 5-9914

Por lo tanto, el m…todo de estimaci€n correcto es el m…todo de variables

instrumentales o m‚nimo cuadrado biet•pico.
MODELO NÖ 04:
= + + + +
Eviews:
Se estima el modelo por M. C. O. y se verifica autocorrelaci€n.
Aplicamos el programa m4.
Se obtiene los resultados siguientes:
Durbin:
: ó

genr m4h = (1-1.679188/2)*sqrt(148/(1-148*0.035^2 ))

H N95%
V/S
2,157868 1.644854
>

BREUSCH GODFREY:
: ó
TR2 CHI TR2 CHI
V/S V/S
4,341279 3,8414 9,252508 5,9914
< >
∴ R

BOX PIERCE:
: ó

genr m4bp1= 148*(0.16)^2

genr m4bp2= 148*(0.16^2+0.18^2)

BP1 CHI BP2 CHI

V/S V/S
3,7888 3,8414 8,584 5,9914
< >
∴
Para obtener estimadores consistentes vamos ha estimar el modelo por M. C.
B.
Para comprobar que la conclusi€n anterior es correcta se tiene que realizar el
test de endogeneidad. Entonces abrimos la estimaci€n de MCB <> View <>
IV Diagnostics & tests <> Regressor endogeneity Test <> Aceptar,
TEST DE ENDOGENEIDAD:
: −1 ó .

DJ CHI
V/S
0,162084 > 3,8414

Por lo tanto, el m…todo de estimaci€n correcto es el m…todo de m‚nimo

cuadrado ordinario.
Gretl:
Se estima el modelo por M. C. O. y se verifica autocorrelaci€n. Aplicamos
el programa m4.
Se obtiene los resultados siguientes:
Durbin:
: ó

H N95%
V/S
2,155409 1.644854
>

BREUSCH GODFREY:
: ó
TR2 CHI TR2 CHI
V/S V/S
4,341279 3,8414 9,252508 5,9914
< >
∴ R

BOX PIERCE:
: ó

genr m4bp1= 148*(0,1601)^2

genr m4bp2= 148*(0.1601^2+0.18^2)

BP1 CHI BP2 CHI

V/S V/S
3,793537 3,8414 8,588737 5,9914
< >
∴
Para obtener estimadores consistentes vamos ha estimar el modelo por M. C.
B: Modelo <> variables instrumentales <> m‚nimos cuadrados en dos
etapas.
Para comprobar que la conclusi€n anterior es correcta se tiene que realizar el
test de endogeneidad.

TEST DE ENDOGENEIDAD:

: .

DJ CHI
V/S
0,166774 > 3,8414

Acepta

Por lo tanto, el m…todo de estimaci€n correcto es el m…todo de m‚nimo

cuadrado ordinario.
Stata:
Carga el archivo de los datos, luego genera la bit•cora. Se estima el modelo
por M. C. O. y se verifica autocorrelaci€n. Aplicamos el programa mod din4.
Se obtiene los resultados siguientes:
Durbin:
: ó

gen m4h = (1-1,6779188/2)*sqrt(148/(1-148*0,0350855^2))

H N95%
V/S
1.857811 1.644854
>
∴

BREUSCH GODFREY:
: ó
TR2 CHI TR2 CHI
V/S V/S
4,341 3,8414 9.253 5,9914
> >
∴ ∴

BOX PIERCE:
: ó

gen m4bp1= 148*(0.1601)^2

gen m4bp2= 148*((0.1601)^2+0.18^2)

BP1 CHI BP2 CHI

V/S V/S
3.1793537 3,8414 8.588737 5,9914
< >
∴ R
Para obtener estimadores consistentes vamos ha estimar el modelo por M. C.
B:
Para comprobar que la conclusi€n anterior es correcta se tiene que realizar el
test de endogeneidad. Entonces vamos a utilizar el programa o comando
Hausman:
Contraste de Hausman:

: .

DJ CHI
V/S
0.17 < 5-9914

Acepto

Por lo tanto, el m…todo de estimaci€n correcto es el m…todo de m‚nimo

cuadrado ordinario.
III. VARIABLE EXOGENA REZAGADA
= + + + ⋯+ +
Las posibles soluciones al problema de estimaci€n en presencia de
variables ex€genas retardadas son los siguientes.

Utilizar estimadores adecuados en el caso de

multicolinealidad severa (ESTIMADORES CRESTA).
ˆ ( k )  ( X ' X  kI ) 1 X ' Y
Elaborar una •nica variable transformada.
r r r r
Z t   X t i Z t   X t i /( r  1) Zt   pi Xti
i 0 i 0 i0
p
i0
i

Estimar con distribuciones de retardos.

Yt   *W ( L ) X t  et Wt   0  1 L   2 L2   3 L3  ...   r Lr
III.1. RETARDOS FINITOS
Planteamientos alternativos de distribuciones de retardos:
FINITAS:
r
Aritmƒtica: W ( L)   (r  1  i ) Li
i 0

s 1 r

V Invertida: W ( L)   (1  i) L   (r  1  i ) Li
i
con s  r / 2
i 0 is

r
Almon: W ( L)   ( 0   1i   2i 2  ...   q i q ) Li
i 0

r
Shiller: W ( L)   ( 0   1i   2i 2  ...   q i q   i ) Li con i  N (0,  2 )
i 0

q
  2
Arm€nicas: W ( L)      ( Ak sen  kj  Bk cos kj ) Li con  kj  k. j
 k 0  n 1
Ejemplo de aplicaci€n de Polinomios de Almon(1965):
Ley de comportamiento de par„metros:
 i  a0i 0  a1i1  a 2i 2  ....  ar i r con r  gra do del polinomio
 0  a0
1  a0  a1  a2
Para r=2 los sucesivos par„metros quedar…an como:  2  a0  2 a1  4 a2

En el modelo general tendr…amos:  h  a0  ha1  h 2 a 2

Yt   0 X t  1 X t 1   2 X t  2     h X t  h  et 
a0 X t  ( a0  a1  a 2 ) X t 1  ( a0  2 a1  4 a2 ) X t 2    (a0  ha1  h 2 a 2 ) X t h  et
Agrupando tƒrminos en cada ai:
h h h
Yt  a0  X t i  a1  iX t i  a2  i 2 X t i  et  a0 Z 0,t  a1Z1,t  a 2 Z 2,t  et
i 0 i 0 i 0
MODELO NÄ5:
= + + + ⋯+ +

Es un modelo de retardo finito, cuyo proceso de estimaci€n requiere:

1• Determinar el retardo €ptimo

Se realiza estimaciones sucesivas por m‚nimos cuadrados ordinarios partiendo del

retardo cero hasta 20 (depende de la cantidad de datos), eligi…ndose el retardo que
obtenga el menor valor de los criterios de informaci€n o el mayor valor del coeficiente
de ajuste corregido.

2• Determinar el grado de polinomio €ptimo

Se empieza con un grado de polinomio alto (5 o 6) y se estima el modelo transforma-

do por m‚nimo cuadrado ordinario. Para la elecci€n del grado de polinomio €ptimo se
utiliza un criterio de informaci€n o la significancia del „ltimo PDL.

Vamos aplicar este procedimiento utilizando cada no de los software: Eviews, Gretl y
Stata,
Eviews:
Se aplica el programa retardo €ptimo para obtener los estad‚sticos
respectivos para determinar el retardo €ptimo.
Se abre la tabla RETOP:
Se observa que el menor valor en el criterio de informaci€n (aic, sic y hq) y el
mayor valor en el coeficiente de determinaci€n ajustado corresponde al retardo
16.
Se aplica el programa pdl para obtener los estad‚sticos respectivos para
determinar el grado de polinomio €ptimo.
Se abre la tabla EPDL:

Observando la tabla, el menor valor del sic y hq y el „ltimo pdl es significativo se da

en el cuarto grado de polinomio; a continuaci€n se muestra la estimaci€n
correspondiente:
Gretl:
Se aplica el programa retardo €ptimo para obtener los estad‚sticos
respectivos para determinar el retardo €ptimo.
Se obtiene los estad‚sticos siguientes:
Seg„n el criterio BIC el retardo 19 es el retardo
€ptimo.

Para la elecci€n con los otros criterios hay que

aumentar el n„mero m•ximo de retardos
Se aplica el programa Almon para obtener los estad‚sticos respectivos para
determinar el grado de polinomio €ptimo.

Se obtiene los estad‚sticos siguientes:

R=6

R=5

R=4

R=3

R=2
Se elige un polinomio de orden 5, cuya estimaci€n es:
Stata:
Se aplica el programa retardo €ptimo para obtener los estad‚sticos
respectivos para determinar el retardo €ptimo.
Se obtiene los estad‚sticos siguientes:
Variable Obs Mean
r2a10 149 .9997547
r2a0 149 .9994612 r2a11 149 .9997677
r2a1 149 .9995498 r2a12 149 .9997723
r2a2 149 .999595 r2a13 149 .999779
r2a3 149 .9996252 r2a14 149 .9997857
r2a4 149 .9996557
r2a15 149 .9997885
r2a5 149 .9996871 r2a16 149 .9998068
r2a6 149 .9997118 r2a17 149 .9998067
r2a7 149 .9997284 r2a18 149 .9998039
r2a8 149 .999739 r2a19 149 .9998008
r2a9 149 .9997442
r2a20 149 .9997973
Model Obs ll(null) ll(model) df AIC BIC

. 149 -1297.748 -736.5497 2 1477.099 1483.107

0
Model Obs ll(null) ll(model) df AIC BIC

1 . 148 -1288.988 -717.7425 3 1441.485 1450.477

Model Obs ll(null) ll(model) df AIC BIC

2 . 147 -1280.224 -704.5439 4 1417.088 1429.049

Model Obs ll(null) ll(model) df AIC BIC

3. 146 -1271.457 -693.5086 5 1397.017 1411.935

Model Obs ll(null) ll(model) df AIC BIC

4 . 145 -1262.683 -682.0041 6 1376.008 1393.869

Model Obs ll(null) ll(model) df AIC BIC

. 144 -1253.905 -669.7964 7 1353.593 1374.381

5

Model Obs ll(null) ll(model) df AIC BIC

6 . 143 -1245.122 -658.6597 8 1333.319 1357.022

Model Obs ll(null) ll(model) df AIC BIC

7 . 142 -1236.331 -649.1867 9 1316.373 1342.976

Model Obs ll(null) ll(model) df AIC BIC

8 . 141 -1227.533 -641.1519 10 1302.304 1331.791

Model Obs ll(null) ll(model) df AIC BIC

9 . 140 -1218.727 -634.5175 11 1291.035 1323.393

Model Obs ll(null) ll(model) df AIC BIC

10 . 139 -1209.917 -626.3893 12 1276.779 1311.992

Model Obs ll(null) ll(model) df AIC BIC

11 . 138 -1201.099 -617.4083 13 1260.817 1298.871

Model Obs ll(null) ll(model) df AIC BIC

12 . 137 -1192.277 -610.8702 14 1249.74 1290.62

Model Obs ll(null) ll(model) df AIC BIC

13 . 136 -1183.45 -603.6197 15 1237.239 1280.929

Model Obs ll(null) ll(model) df AIC BIC

14. 135 -1174.618 -596.3669 16 1224.734 1271.218

 Model Obs ll(null) ll(model) df AIC BIC

15 . 134 -1165.78 -590.2842 17 1214.568 1263.832

M od el O bs ll( nu ll ) l l(m od el ) df A IC B IC

16 . 1 33 - 115 6. 93 6 - 579 .0 95 3 18 11 94 .1 91 12 46 .2 17

Model Obs ll(null) ll(model) df AIC BIC

. 132 -1148.086 -573.9498 19 1185.9 1240.673

17
Model Obs ll(null) ll(model) df AIC BIC

18. 131 -1139.228 -569.7048 20 1179.41 1236.914

Model Obs ll(null) ll(model) df AIC BIC

19 . 130 -1130.365 -565.5401 21 1173.08 1233.298

Model Obs ll(null) ll(model) df AIC BIC

20. 129 -1121.495 -561.4357 22 1166.871 1229.787

Seg„n el coeficiente de determinaci€n ajustado el retardo 16 es el retardo €ptimo.

Para la elecci€n con los criterios de informaci€n hay que aumentar el n„mero
m•ximo de retardos.
Se aplica el programa Almon para obtener los estad‚sticos respectivos para
determinar el grado de polinomio €ptimo.

Se obtiene los estad‚sticos siguientes:

R=6

R=5

R=4

R=3

R=2
Se elige un polinomio de orden 4, cuya estimaci€n es:
------------------------------------------------------------------------------
Akaike Criterion AIC = 1177.8557 | Schwarz Criterion SC = 1192.3075
------------------------------------------------------------------------------
- Joint F-Test Restriction: ipd = 1.17e+05 P > F(6, 127) 0.0000

gcp Coef. Std. Err. t P>|t| [95% Conf. Interval]

ipd
--. .4994779 .0402622 12.41 0.000 .4198062 .5791495
L1. .2212199 .0117606 18.81 0.000 .1979477 .244492
L2. .0614915 .0183632 3.35 0.001 .025154 .0978289
L3. -.0136808 .0215206 -0.64 0.526 -.0562661 .0289045
L4. -.0333282 .0186102 -1.79 0.076 -.0701545 .0034982
L5. -.0215394 .0145109 -1.48 0.140 -.0502538 .007175
L6. .0025389 .013695 0.19 0.853 -.0245611 .0296388
L7. .0247025 .0155269 1.59 0.114 -.0060225 .0554275
L8. .0356896 .0164666 2.17 0.032 .0031051 .0682741
L9. .0311805 .0153587 2.03 0.044 .0007884 .0615727
L10. .0117981 .0139968 0.84 0.401 -.015899 .0394952
L11. -.0168926 .0158915 -1.06 0.290 -.048339 .0145539
L12. -.0443841 .0204606 -2.17 0.032 -.0848721 -.0038962
L13. -.0552269 .0229662 -2.40 0.018 -.1006728 -.0097809
L14. -.0290288 .018764 -1.55 0.124 -.0661593 .0081018
L15. .0595446 .0132355 4.50 0.000 .0333539 .0857353
L16. .2407699 .0459902 5.24 0.000 .1497635 .3317763

_cons -5.808098 3.623573 -1.60 0.111 -12.9785 1.362299

MODELO NÄ6:
= + + + + ⋯+ +

Es un modelo de retardo finito con un m•ximo de retardo conocido (8) y lo que hay
que realizar es determinar el grado de polinomio €ptimo

Se empieza con un grado de polinomio alto (5 o 6) y se estima el modelo transforma-

do por m‚nimo cuadrado ordinario. Para la elecci€n del grado de polinomio €ptimo se
utiliza un criterio de informaci€n o la significancia del „ltimo PDL.

Eviews:
Se aplica el programa M6PDL para obtener los estad‚sticos respectivos
para determinar el grado de polinomio €ptimo.
Abrimos la tabla EPDL:

El grado de polinomio Äptimo es 2 y la estimaciÄn es:

GRETL:
Se aplica el programa Almon para obtener los estad‚sticos respectivos para
determinar el grado de polinomio €ptimo.

Se obtiene los estad‚sticos siguientes:

R=6

R=5

R=4

R=3

R=2
Se elige un polinomio de orden 2, cuya estimaci€n es:
STATA:
Se aplica el programa M6ALMON para obtener los estad‚sticos respectivos para
determinar el grado de polinomio €ptimo.

Se obtiene los estad‚sticos siguientes:

------------------------------------------------------------------------------
Akaike Criterion AIC = 1294.8755 | Schwarz Criterion SC = 1318.4656
R=6 ------------------------------------------------------------------------------
------------------------------------------------------------------------------
Akaike Criterion AIC = 1292.9097 | Schwarz Criterion SC = 1313.5510
R=5
------------------------------------------------------------------------------

R=4 Akaike Criterion AIC = 1290.9312 | Schwarz Criterion SC

------------------------------------------------------------------------------
= 1308.6237

- Joint F-Test Restriction: ipd = 1.11e+05 P > F(5, 134) 0.0000

- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -
R=3 Ak ai ke C ri te ri on A IC = 1 28 9. 22 75 | S ch wa rz C ri te ri on S C = 1 30 3. 97 13
- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -

R=2 ------------------------------------------------------------------------------
Akaike Criterion AIC = 1288.7979 | Schwarz Criterion SC = 1300.5930
------------------------------------------------------------------------------
Se elige un polinomio de orden 2, cuya estimaci€n es:
Sample Size = 141 | Sample Range = 1 - 149
Wald Test = 562733.1761 | P-Value > Chi2(4) = 0.0000
F-Test = 140683.2940 | P-Value > F(4 , 136) = 0.0000
R2 (R-Squared) = 0.9998 | Raw Moments R2 = 0.9999
R2a (Adjusted R2) = 0.9998 | Raw Moments R2 Adj = 0.9999
Root MSE (Sigma) = 23.1258 | Log Likelihood Function = -640.3990
------------------------------------------------------------------------------
- R2h= 0.9998 R2h Adj= 0.9998 F-Test = 1.4e+05 P-Value > F(4 , 136) 0.0000
- R2v= 0.9998 R2v Adj= 0.9998 F-Test = 1.4e+05 P-Value > F(4 , 136) 0.0000
- R2r= 0.9999 R2r Adj= 0.9999 F-Test = 3.1e+05 P-Value > F(5 , 136) 0.0000
------------------------------------------------------------------------------
Akaike Criterion AIC = 1288.7979 | Schwarz Criterion SC = 1300.5930
------------------------------------------------------------------------------
- Joint F-Test Restriction: ipd = 1.85e+05 P > F(3, 136) 0.0000

gcp Coef. Std. Err. t P>|t| [95% Conf. Interval]

ipd
--. .4412043 .0436393 10.11 0.000 .354905 .5275036
L1. .2423713 .0196722 12.32 0.000 .2034684 .2812742
L2. .092851 .0148814 6.24 0.000 .0634222 .1222798
L3. -.0073566 .022316 -0.33 0.742 -.0514879 .0367747
L4. -.0582515 .0258024 -2.26 0.026 -.1092773 -.0072257
L5. -.0598337 .0230808 -2.59 0.011 -.1054774 -.01419
L6. -.0121032 .0163024 -0.74 0.459 -.0443421 .0201358
L7. .0849401 .0197649 4.30 0.000 .0458538 .1240264
L8. .2312961 .0423322 5.46 0.000 .1475816 .3150105

r -2.07676 1.304261 -1.59 0.114 -4.656015 .502494

_cons -1.760084 6.071348 -0.29 0.772 -13.76654 10.24638
III.1. RETARDOS INFINITOS
Planteamientos alternativos de distribuciones de retardos:
INFINITAS:
1 
Geomƒtrica: W ( L) 
1  L

Pascal: (1   ) r
W ( L)  con r entero y positivo
(1  L ) r

U ( L)
Racional: (1) W ( L)  con U ( L ) y V ( L ) polinomios de gra do m y n
V ( L)
1  s 1
Gamma: W ( L)   i exp(i ) Li
 ( s ) i 0

 m  
Exponencial: W ( L)   exp  pk i k  con pm  0
i 0  k 1 

(1) Coincidir…a con una especificaci€n de tipo ADL

Ejemplo de aplicaci€n de Polinomios Geomƒtricos.Koyck(1954).
Ley de comportamiento de par„metros:  i   i 1 con 0    1
 i  i  0
En el modelo general quedar…a: Yt   0 X t  1 X t 1   2 X t  2    et 
  0 X t   0X t 1   02 X t  2    et

Expresado en tƒrminos de un Yt   0 (1  L  2 L2   ) X t  et
polinomio de retardos:
1
Calculado la suma de n tƒrminos Yt   0 X t  et
de una progresi€n geomƒtrica: (1  L )

Operando en la expresi€n anterior: Yt (1  L )   0 X t  et (1  L ) 

Yt  Yt 1   0 X t  et  et 1 
Yt   0 X t  Yt 1  et  et 1

Quedar…a un modelo con end€gena retardada y un proceso autorregresivo en el error

MODELO NÄ7:
= + + + …+
Expres•ndolo como un polinomio de retardo:
= + + + + + …. +
Considerando la suma de una progresi€n geom…trica decreciente, se tiene:

= + + +
−
Aplicando el com„n denominador nos da:
(1- ) = 1− + 1− + + (1 − )
Despejando nos da:
= 1− + 1− + + + (1 − )
Reemplazando el polinomio de retardo:
= 1− + − + + +
El modelo transformado es un modelo con variable end€gena rezagada que se estima
por m‚nimo cuadrado ordinario y a continuaci€n se verifica autocorrelaci€n, en caso la
tenga se estima por el m…todo de variables instrumentales o m‚nimos cuadrados
biet•picos.
 = + + + + +
Eviews:
Se estima el modelo por M. C. O. y se verifica autocorrelaci€n.
Aplicamos el programa m7.
Se obtiene los resultados siguientes:
 : ó
H
N 95 %
V/S
1.063445 < 1.644854
H0

genr m7bp1= 148*(0.079)^2

genr m7bp2= 148*(0.079^2+0.131^2)
BOX PIERCE:
: ó
BP1 CHI BP2 CHI
V/S V/S
0.923668 3,8414 3.463496 5,9914
< <
∴

BREUSCH GODFREY:
: ó

TR2 CHI
V/S
1.074813 3,8414
<
∴

TR2 CHI
V/S
4.125727 5,9914
<
Acepto
Como no existe autocorrelaci€n entonces los estimadores de m‚nimo cuadrado
ordinario son consistentes. Para comprobar que la conclusi€n anterior es correcta
se tiene que realizar el test de endogeneidad (Hausman).

: −1 ó .
DJ CHI
V/S
1.571881 < 3,8414

Acepto
Gretl:

Se estima el modelo por M. C. O. y se verifica autocorrelaci€n. Aplicamos

el programa m7.

Se obtiene los resultados siguientes:

DURBIN:
: ó

H
N 95 %
V/S
1.056827 < 1.644854
H0
BOX PIERCE:
: ó

genr m7bp1= 148*(0.0791)^2

BP1 CHI
V/S
0.9260078 3,8414
<
∴

genr m7bp2= 148*(0.0791^2+0.1309^2)

BP2 CHI
V/S
3.46195976 5,9914
<
BREUSCH GODFREY:

: ó

TR2 CHI TR2 CHI

V/S V/S
1.074813 3,8414 4.125727 5,9914
< <
∴ Acepto
Como no existe autocorrelaci€n entonces los estimadores de m‚nimo cuadrado
ordinario son consistentes. Para comprobar esta conclusi€n es correcta se tiene
que realizar el test de endogeneidad (Hausman).
TEST DE ENDOGENEIDAD:
: .

DJ CHI
V/S
1.64544 < 3,8414

Acepto

Por lo tanto, el m…todo de estimaci€n correcto es el m…todo de m‚nimo

cuadrado ordinario.
Stata:

Se estima el modelo por M. C. O. y se verifica autocorrelaci€n.

Aplicamos el programa mod din7.

Se obtiene los resultados siguientes:

. regress gcp ipd r l.r l.gcp

Source SS df MS Number of obs = 148

F(4, 143) > 99999.00
Model 318149466 4 79537366.4 Prob > F = 0.0000
Residual 18072.4629 143 126.380859 R-squared = 0.9999
Adj R-squared = 0.9999
Total 318167538 147 2164405.02 Root MSE = 11.242

gcp Coef. Std. Err. t P>|t| [95% Conf. Interval]

ipd .248329 .0310141 8.01 0.000 .1870236 .3096344

r
--. 4.191666 1.127144 3.72 0.000 1.96365 6.419682
L1. -5.31679 1.15404 -4.61 0.000 -7.597973 -3.035608

gcp
L1. .7420514 .0337774 21.97 0.000 .6752838 .808819

_cons 3.62769 2.504947 1.45 0.150 -1.32382 8.579199

. estimates store mco

. durbinh
Durbin-Watson h-statistic: .0917659 t = 1.015554 P-value = .3116

: ó
H
N 95 %
V/S
0,0917659 < 1.644854
H0
BOX PIERCE:
LAG AC PAC Q Prob>Q [Autocorrelation] [Partial Autocor]

1 0.0791 0.0792 .94551 0.3309

2 0.1309 0.1310 3.5529 0.1692

genr m7bp1= 148*(0.0791)^2

genr m7bp2= 148*(0.0791^2+0.1309^2)

: ó
BP1 CHI BP2 CHI
V/S V/S
0.92600788 3,8414 3.46195976 5,9914
< <
∴

BREUSCH GODFREY:
Breusch-Godfrey LM test for autocorrelation

lags(p) chi2 df Prob > chi2

1 1.075 1 0.2999
2 4.126 2 0.1271

H0: no serial correlation

: ó
TR2 CHI TR2 CHI
V/S V/S
1.075 3,8414 4.126 5,9914
< <
∴ Acepto
Como no existe autocorrelaci€n entonces los estimadores de m‚nimo cuadrado
ordinario son consistentes.
Para comprobar que la conclusi€n anterior es correcta se tiene que realizar el
test de endogeneidad (Hausman).
Coefficients
(b) (B) (b-B) sqrt(diag(V_b-V_B))
mcb mco Difference S.E.

gcp
L1. .684396 .7420514 -.0576554 .0455755
ipd .3012504 .248329 .0529215 .0418395
r
--. 4.026884 4.191666 -.1647815 .0862588
L1. -5.779534 -5.31679 -.4627437 .3491929

b = consistent under Ho and Ha; obtained from ivregress

B = inconsistent under Ha, efficient under Ho; obtained from regress

Test: Ho: difference in coefficients not systematic

chi2(4) = (b-B)'[(V_b-V_B)^(-1)](b-B)
= 1.67
Prob>chi2 = 0.7959
(V_b-V_B is not positive definite)

DJ CHI
V/S
1,67 > 3,8414

Acepto
IV.1. MULTIPLICADORES
El modelo 7:
= 1− + + + + +
Lo expresamos como polinomio de retardo:

(1- ) = 1− + (1 + ) + +

despejando:
( )
= + + +

Impacto:
1 + (0)
⇒ =
1 − (0)

PBI ⇒ ( )
=

Total: 1 + (1) 1+
⇒ =
1 − (1) 1−

PBI ⇒ ( )
=