Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1. INTRODUCCIÓN
Implicaciones de los modelos lineales:
- Multiplicadores dinámicos invariantes con respecto a la historia del sistema y al
tamaño y signo de los choques
- Parámetros invariantes en el tiempo
- Gaussianidad
___________________________________________________________________
Tópicos Series de Tiempo L1– Alberto Humala
1
BANCO CENTRAL DE RESERVA DEL PERÚ
Cada vez más, los cambios de régimen dejan de considerarse eventos determinísticos
singulares. En cambio, el régimen no observable se asume gobernado por un proceso
estocástico (exógeno o endógeno).
Así, los regímenes previos pueden retornar de forma similar en el futuro. Por lo tanto:
- Debe considerarse esta posibilidad en las proyecciones de la serie o relación
- Las proyecciones de media y varianza no necesariamente son superiores a las de
un modelo lineal pero sí, por lo general, la proyección de la distribución
completa
___________________________________________________________________
Tópicos Series de Tiempo L1– Alberto Humala
2
BANCO CENTRAL DE RESERVA DEL PERÚ
Ejemplos:
Producto: Fases del ciclo económico
Inflación: Baja volatilidad de los choques
Alta volatilidad de los choques
Tipo de cambio: Paridad descubierta de tasas de interés no lineal
Paridad de poder de compra
Tasas de interés: Traspaso de señales de política monetaria es no lineal
Primas de riesgo variantes en el tiempo
Retornos bursátiles: Retornos negativos largos son más probables que retornos
positivos grandes
Largos retornos negativos preceden gran volatilidad, más que los
positivos
Calma vs. turbulencia financiera (el nivel de volatilidad determina
el régimen)
¿Qué modelo?
El número de modelos no lineales que se puede representar es ilimitado.
Los modelos de regímenes cambiantes que estudiaremos representan una clase muy
general que incluyen algunos modelos alternativos no lineales y variantes en el tiempo:
- Nos limitaremos a modelos que tienen una clara interpretación y que son
plausibles desde una perspectiva económica/financiera
___________________________________________________________________
Tópicos Series de Tiempo L1– Alberto Humala
3
BANCO CENTRAL DE RESERVA DEL PERÚ
f ( yt / Yt 1 , X t ,1 )sist 1
p ( yt / Yt 1 , X t , st )
f ( yt / Yt 1 , X t , M )sist M
variables endógenas yt ( y1t ,..., ykt ) ' condicional a la historia del proceso,
1
Para un tratamiento de modelos MA con cambios de régimen ver Franses y van Dijk (2000).
___________________________________________________________________
Tópicos Series de Tiempo L1– Alberto Humala
4
BANCO CENTRAL DE RESERVA DEL PERÚ
Pr( st / Yt 1 , St 1 , X t ; )
1 parat
I(t; )
0 parat
p
p
yt v1 1i yt i 1 I(t ; ) v2 2i yt i I(t ; ) t
i 1 i 1
2
Si se conoce con certeza por anticipado es determinístico. Por ejemplo: días de la semana en retornos
bursátiles.
___________________________________________________________________
Tópicos Series de Tiempo L1– Alberto Humala
5
BANCO CENTRAL DE RESERVA DEL PERÚ
p
p
yt v1 1i yt i 1 I( st ; M ) v2 2i yt i I( st ; M ) t
i 1 i 1
0sist 1
I( st ; M )
1sist
Donde t IID(0, 2 )
___________________________________________________________________
Tópicos Series de Tiempo L1– Alberto Humala
6
BANCO CENTRAL DE RESERVA DEL PERÚ
3. EL MODELO TAR
En el modelo autoregresivo de umbral (Threshold AutoRegressive), los cambios de
régimen están generados por una variable de transición observable y exógena xt que
cruza un umbral c:
p
p
yt v1 1i yt i 1 I( xt ; c) v2 2i yt i I( xt ; c) t
i 1 i 1
1si g xt c
I( x, c)
0si g xt c
Para xt = t se tiene un modelo con quiebre estructural en el período t = c
4. EL MODELO SETAR
Si la variable de transición es una variable endógena rezagada yt-d con rezago d>0, se
obtiene el modelo autoregresivo de auto-activación del umbral (Self Excitement
Threshold AutoRegressive):
p
p
yt v1 1i yt i 1 I( yt d ; c) v2 2i yt i I( yt d ; c) t
i 1 i 1
___________________________________________________________________
Tópicos Series de Tiempo L1– Alberto Humala
7
BANCO CENTRAL DE RESERVA DEL PERÚ
1si g ( yt d ) c
I( yt d , c)
0sig ( yt d ) c
p
yt v st i st yt i t
i 1
1si g yt d c
Pr st 1/ St 1 , Yt 1 I( yt d , c)
0sig yt d c
Así, en el modelo SETAR, el proceso generador del régimen no se asume exógeno pero
está directamente vinculado a la variable endógena rezagada yt-d.
Mientras que los supuestos de los modelos SETAR y MSVAR parecen ser muy
diferentes, la relación entre ambos modelos alternativos es más bien cercana. De hecho,
modelos SETAR y MSVAR son equivalentes observacionalmente (Carrasco, 1994).
v y t-1 si yt 1 c
yt 1
v2 y t-1 si yt 1 c
Con rezagos mayores a uno, ¿el número de rezagos podría diferir por régimen?
___________________________________________________________________
Tópicos Series de Tiempo L1– Alberto Humala
8
BANCO CENTRAL DE RESERVA DEL PERÚ
1siyt d r
- Umbral r 0 :
st
2siyt d r
- Moviéndose suavemente fuera de las recesiones: 2 L 0
ˆ m2 Tm1eˆm' eˆm
___________________________________________________________________
Tópicos Series de Tiempo L1– Alberto Humala
9
BANCO CENTRAL DE RESERVA DEL PERÚ
b) Búsqueda por sectores sobre d y c: seleccionar el par (c, d) que minimiza la suma
total de residuos al cuadrado
M
c, d * arg min RSS c, d arg min Tmˆ m2
c ,d c ,d m 1
min Tm 0.15T
M
p* arg min AIC p Tm ln ˆ m2 2 p 1
p m 1
6. EL MODELO STAR
En el modelo autoregresivo de transición suave (Smooth Transition Autoregressive
Model), popularizado por Granger y Teräsvirta (1993), el peso asignado a los regímenes
depende de la ocurrencia de variables exógenas o endógenas rezagadas zt:
Pr st 2 / St 1 , Yt 1 ; X t G ( zt ; , c)
___________________________________________________________________
Tópicos Series de Tiempo L1– Alberto Humala
10
BANCO CENTRAL DE RESERVA DEL PERÚ
El modelo STAR está muy relacionado con el trabajo de Teräsvirta (1994), (1998):
p
p
yt v1 1i yt i 1 G ( zt ; , c) v2 2i yt i G ( zt ; , c) t
i 1 i 1
Donde t IID(0, 2 ) .
___________________________________________________________________
Tópicos Series de Tiempo L1– Alberto Humala
11
BANCO CENTRAL DE RESERVA DEL PERÚ
1
G ( zt ; , c)
1 exp zt c
G( zt ; , c) 1 exp zt c
2
Nótese que para 0 :ESTAR linearAR :
G ( zt ; , c ) 0 (en ambos casos?)
1
G ( zt ; , c )
1 exp zt c1 zt c2
___________________________________________________________________
Tópicos Series de Tiempo L1– Alberto Humala
12
BANCO CENTRAL DE RESERVA DEL PERÚ
Problemas:
- Es difícil determinar la magnitud del parámetro de suavizamiento.
Marginalmente no hay mucha diferencia entre valores altos y muy altos del
mismo.
- Dificultad para determinar el número de rezagos apropiados. Alternativa de
elegir los rezagos del mejor modelo lineal (igual para cada régimen) puede
resultar inapropiada.
9
9
4 yt v1 1i 4 yt i 1 G (.) v2 2i 4 yt i G (.) t
i 1 i 1
___________________________________________________________________
Tópicos Series de Tiempo L1– Alberto Humala
13
BANCO CENTRAL DE RESERVA DEL PERÚ
1
G ( yt 3 ; , c)
1 exp 45 yt 3 0.0061 / y
p
p
yt v1 A1i yt i 1 G ( zt ; , c) v2 A2i yt i G ( zt ; , c) t
i 1 i 1
Donde:
yt y1t ,..., ykt ', t IID (0, ), m es (KxK ) yvm es (Kx1)
Suponga ahora que yt es I(1), pero que una combinación linear et ' yt es
estacionaria con media μ . Entonces un modelo de corrección de equilibrio de transición
suave es relevante.
VECMs asimétricos
___________________________________________________________________
Tópicos Series de Tiempo L1– Alberto Humala
14
BANCO CENTRAL DE RESERVA DEL PERÚ
1
G (et 1 ; , )
1 exp et 1
Para SETAR
G (et 1 ; , ) I et 1
G (et 1 ; , ) 1 exp et 1
2
Caso interesante: comportamiento de paseo aleatorio en régimen 1 '1 0 y ajuste
yt xt' 1 1 G ( zt ; , c ) xt' 2 G ( zt ; , c ) t
t IID(0, 2 )
'
Estimación de mínimos cuadrados no lineal (NLS) de 1 , 2 , ,c :
' '
T
ˆ argminRSS= argmin
t 1
t
2
___________________________________________________________________
Tópicos Series de Tiempo L1– Alberto Humala
15
BANCO CENTRAL DE RESERVA DEL PERÚ
'
o Condicionales en y c: estimación MCO de 1 , 2
' '
T 1
ˆ , c x ( , c) x ( , c) '
t 1
t t xt ( , c) yt
donde xt ( , c) xt 1 G ( zt ; , c) xt G ( zt ; , c) '
' '
o Búsqueda de bloques sobre y c : minRSS= ,c
'
o Condicional en y c : estimación MCO de 1 , 2
' '
o NLS de y c : minRSS= ,c
___________________________________________________________________
Tópicos Series de Tiempo L1– Alberto Humala
16
BANCO CENTRAL DE RESERVA DEL PERÚ
Lagrange (LM), que tiene una distribución asintótica estándar bajo la nula.
___________________________________________________________________
Tópicos Series de Tiempo L1– Alberto Humala
17