Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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:
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
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
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 )
Sustituyendo el valor de la expectativa en la 1… ecuaci•n: Y i
t 0 1 (1 ) X
i 0
t 1 i et
= + (1 − ) +
(1) - (2):
- (1 − ) = + +( − (1 − ) )
Despejando:
= + + 1− + ( − (1 − ) )
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 )
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 )
X t* E ( X t t 1 )
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:
X t* E ( X t t 1 )
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:
X t* E ( X t t 1 )
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:
El modelo:
H N95%
V/S
0.0443565 1.644854
<
∴
Breusch Godfrey:
: ó
= + + + − +
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
H N95%
V/S
-0.029611 -1.644854
>
∴
BREUSCH GODFREY:
: ó
BREUSCH GODFREY:
: ó
TR2 CHI TR2 CHI
V/S V/S
0.001 3,8414 1,242 5,9914
< <
∴ ∴
BOX PIERCE:
: ó
BREUSCH GODFREY:
: ó
TR2 CHI TR2 CHI
V/S V/S
3,208674 3,8414 6,741162 5,9914
< >
∴ R
BOX PIERCE:
: ó
DJ CHI
V/S
7,966079 > 3,8414
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
TEST DE ENDOGENEIDAD:
: .
DJ CHI
V/S
8.60356 > 3,8414
BREUSCH GODFREY:
: ó
TR2 CHI TR2 CHI
V/S V/S
3.209 3,8414 6.741 5,9914
< >
∴ ∴
BOX PIERCE:
: ó
: .
DJ CHI
V/S
6.62 > 5-9914
BREUSCH GODFREY:
: ó
TR2 CHI TR2 CHI
V/S V/S
4,341279 3,8414 9,252508 5,9914
< >
∴ R
BOX PIERCE:
: ó
DJ CHI
V/S
0,162084 > 3,8414
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
TEST DE ENDOGENEIDAD:
: .
DJ CHI
V/S
0,166774 > 3,8414
Acepta
BREUSCH GODFREY:
: ó
TR2 CHI TR2 CHI
V/S V/S
4,341 3,8414 9.253 5,9914
> >
∴ ∴
BOX PIERCE:
: ó
: .
DJ CHI
V/S
0.17 < 5-9914
Acepto
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 is
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:
= + + + ⋯+ +
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:
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
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
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.
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
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
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
Eviews:
Se aplica el programa M6PDL para obtener los estad‚sticos respectivos
para determinar el grado de polinomio €ptimo.
Abrimos la tabla EPDL:
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.
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
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
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
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 )
= + + +
−
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
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:
H
N 95 %
V/S
1.056827 < 1.644854
H0
BOX PIERCE:
: ó
BP1 CHI
V/S
0.9260078 3,8414
<
∴
BP2 CHI
V/S
3.46195976 5,9914
<
BREUSCH GODFREY:
: ó
DJ CHI
V/S
1.64544 < 3,8414
Acepto
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
. 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]
: 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
1 1.075 1 0.2999
2 4.126 2 0.1271
: 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
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 ⇒ ( )
=