Documentos de Académico
Documentos de Profesional
Documentos de Cultura
6.1. Introducción.
Los modelos que hemos considerado hasta aquí son uniecuacionales: en ellos una variable
y es explicada por una o varias variables explicativas x o por su historia pasada, los valores
de y t-k , k = 1, 2, …, p, o por shocks aleatorios ε t o por una combinación de estas variables.
Es decir, hemos considerado modelos de regresión, modelos de series cronológicas del tipo
ARMA o ARIMA o una combinación de modelos cuyo propósito fue explicar siempre el
comportamiento de una única variable y en función de un conjunto de variables que
podemos denominar sintéticamente como regresores. La variable explicada se suele
denominar dependiente y a los regresores se los denomina variables independientes del
modelo.
Pero estas especificaciones no consideran que una variable puede influir sobre otra y esta a
su vez influir sobre aquella, es decir no toma en cuenta el feedback o influencia recíproca
entre las variables. Por ejemplo, puede suponerse que el nivel del producto afecta a la
inversión y que esta a su vez afecte el nivel de aquel. Si se incorporan estos efectos en el
modelo o sea si se permite que haya influencias simétricas entre las variables y que estas
influencias puedan extenderse a los valores presentes y pasados de aquellas los modelos
son multiecuacionales y se denominan de análisis VAR. Esta abreviatura quiere denotar a
un proceso vectorial autoregresivo. Un ejemplo de proceso vectorial autoregresivo de
primer orden (porque el rezago máximo entre las variables es uno) con dos variables es:
yt b10 b12 zt 11 yt 1 12 zt 1 yt
zt b20 b21 yt 21 yt 1 22 zt 1 zt
Se supone que las dos sucesiones { yt } y {z t }son estacionarias y que los términos de
perturbación yt y zt son dos procesos de ruido blanco incorrelacionados entre sí cuyos
desvíos estándares respectivos son: ( y ) y ( z ) .
Si z t varía en una unidad yt lo hace en - b12 unidades, es el efecto contemporáneo de z t
sobre yt y análogamente – b21 es el efecto contemporáneo de un cambio unitario de yt sobre
z t. En términos de nuestro ejemplo sobre el producto y la inversión el modelo supone que
los valores actuales y pasados del producto influyen sobre el nivel de inversión y
recíprocamente los niveles de esta influyen sobre los valores de aquel. También influyen
los valores pasados, en este caso restringidos al período anterior.
Este sistema de ecuaciones se denomina primitivo o estructural y puesto que supone efectos
contemporáneos entre las variables no puede ser estimado bajo esa forma, es necesario
transformarlo. La transformación se efectúa de manera sencilla si se emplea notación
matricial tal como lo hacen prácticamente todos los textos. En particular aquí hemos
seguido en gran medida el desarrollo de W. Enders, Applied Econometric Time Series,
Wiley, 1995.
1 b12 yt b10 11 12 yt 1 yt
b
21 1 zt b20 21 22 zt 1 zt
1 b12 y b y
Si se hace: B xt t C0 10 C1 11 12 xt 1 t 1 t yt
b21 1 zt b20 21 22 zt 1 zt
a a a12 e
A0 B 1C0 10 A1 B 1C1 11 et B 1 t 1t
a20 a21 a22 e2t
Esta nueva notación permite escribir el sistema como:
e yt b12 zt 0
E (et ) E 1t E ( B 1 t ) E / (1 b12b21 )
e1t zt b21 yt 0
yt b12 zt
E[et et ´] E[ B 1 t ( B 1 t )´] E
b yt b12 zt zt b21 yt / (1 b12b21 ) 2
zt 21 yt
yt b12 zt
E[et et i ´] E[ B 1 t ( B 1 t i )´] E yt i b12 zt i zt i b21 yt i / (1 b12b21 ) 2
zt b21 yt
0 0
=
0 0
Esto significa que Cov(e1t , e1t i ) E[e1t e1t i ] 0 .Análogamente: Cov(e2t , e2t i ) 0 .
En síntesis, ni la media, ni las varianzas ni las covarianzas dependen del tiempo, el proceso
es estacionario.
En este punto se pretende contestar la pregunta ¿cuáles son las condiciones que garantizan
que el modelo VAR xt A0 A1 xt 1 et sea estable, es decir, converja?.
xt ( I A1 ) A0 A12 xt 2 A1et 1 et .
xt ( I A1 ) A0 A12 ( A0 A1 xt 3 et 2 ) A1et 1 et
o bien ordenando los términos:
n
Para que esta expresión tenga sentido A1 debe anularse para n suficientemente grande. Esto
sucede si las raíces características de A1 son menores que la unidad en valor absoluto. Una
breve revisión de los conceptos relacionados con las raíces características de una matriz se
puede encontrar en el Apéndice a este capítulo.
Con el VAR
yt 0, 75 yt 1 0,15 zt 1 e1t
zt 0,15 yt 1 0, 75 zt 1 e2t
Estas observaciones fueron construidas de la siguiente manera: las dos primeras columnas
corresponden a las sucesiones e1t y e 2t y fueron denotadas mediante alea1 y alea2
respectivamente. Los valores se obtuvieron utilizando la siguiente sucesión de comandos:
Datos, Análisis de Datos, Generación de números aleatorios, Número de variables 2,
Número de observaciones 100, Normal, Media 0, Desvío Estándar 1.
Conviene indicar que si se utiliza el Excel 2007 Análisis de datos se halla en Datos, si se
utiliza el Excel 2003 se halla en Herramientas. Análisis de Datos puede ser cargado en el
Excel 2003 abriendo Herramientas Complementos y colocando un tilde en Herramientas
para Análisis. En el Excel 2007 se carga a partir de Botón de Office Opciones
Complementos Herramientas para Análisis Ir y luego colocando un tilde en Herramientas
para análisis.
alea1 alea2 y z
0 0
Una vez que los datos fueron importados se graficaron y los recorridos de las series se
presentan a continuación. El gráfico sugiere que los procesos son estables en consonancia
con los autovalores de la matriz A1 que son menores que uno en valor absoluto.
En efecto:
-2
-4
-6
10 20 30 40 50 60 70 80 90 100
Y Z
yt b10 b12 zt 11 yt 1 12 zt 1 yt
zt b20 b21 yt 21 yt 1 22 zt 1 zt
no puede ser estimado directamente porque las variables tienen relaciones contemporáneas
y los procesos de error están correlacionados con esas variables; como z t explica a y t y
Sin embargo, el modelo reducido presenta una limitación importante: permite estimar
nueve parámetros, los valores de los seis coeficientes a ij , las dos varianzas de los residuos
de las regresiones y la covarianza entre e1t y e2t . Esto es insuficiente para identificar el
modelo original ya que este contiene diez parámetros, cuatro b ij, cuatro γij, la varianza de ε y
y la varianza de εz . Esto hace que el modelo estructural se halle subidentificado.
Para que el modelo original pueda ser identificado plenamente debe incorporarse una
restricción, si se incorporara más de una restricción el VAR original estaría
sobreidentificado. Una restricción bastante frecuente es que b 21 es igual a cero en el sistema
original lo que implica que yt no tiene efecto contemporáneo sobre zt .
Sin embargo esta restricción o las que se desee formular deben estar fundadas en motivos
económicos para que el sistema no sea desnaturalizado.
donde: a10 b10 b12b20 , a11 11 b12 21 , a12 12 b12 22 , a20 b20 , a21 21 , a22 22
Estos resultados se obtienen reemplazando por 0 el valor de b 21 en la matriz B. Entonces B
1 b12
queda: 0 1 .
yt 2 0, 75 yt 1 0,15 zt 1 e1t
zt 1 0,15 yt 1 0, 75 zt 1 e2t
donde e1t y e 2t son dos sucesiones independientes de ruido blanco normal con varianza
unitaria
alea1 alea2 y z
0 0
El segundo paso consistió en importar desde el Eviews los datos generados en el Excel.
Esto se efectuó mediante los procedimientos corrientes: 1) se abrió un Workfile con 100
observaciones 2) Luego: File Import Read Text-Lotus- Excel y hacer click sobre el nombre
de archivo con que fue guardado en el Excel 3) Se abrió el archivo que se deseaba importar
4) se les dio nombre a las variables que se iban a importar, se especificó que las series se
disponían en columnas, se indicó el rango de observaciones y se señaló en qué celda
comenzaban los datos, en este caso C2.
20
16
12
-4
10 20 30 40 50 60 70 80 90 100
Y Z
La estimación de las variables y y z puede hacerse mediante los métodos de mínimos
cuadrados ordinarios aplicándolos a cada una de las regresiones. En los dos casos: en el de
la regresión de y como en el de la regresión de z, las variables explicativas son comunes a
las dos regresiones y son y t-1 y z t-1 . En ambos casos se incorporaron constantes.
Coefficie
nt Std. Error t-Statistic Prob.
Se puede apreciar que los resultados de la estimación son muy parecidos a los propuestos
en el modelo.
En el caso de z los resultados fueron:
Coefficie
nt Std. Error t-Statistic Prob.
También estos resultados son muy similares a los propuestos en el modelo con el que se
generaron las observaciones. El correlograma de los residuos en ambas regresiones mostró
que estos eran ruido blanco; se omiten por razones de brevedad.
Para determinar los coeficientes del sistema estructural hay que utilizar estas estimaciones,
las varianzas de cada una de las series de residuos y la covarianza entre ellas y sustituir los
valores hallados en las relaciones especificadas más arriba entre los coeficientes del modelo
reducido y los del modelo estructural.
La matriz de varianzas y covarianzas de los residuos donde RESI03 denota a e1t y RESI04
a e2t es:
RESI03 RESI04
RESI03 0.816308 0.042116
RESI04 0.042116 0.950154
Como Var (e2 ) z entonces z 0,95 . Además: Cov(e1 , e2 ) = (b21 y b12 z ) y como
2 2 2 2
b21 0 se tiene que Cov(e1 , e2 ) = - b12 z2 ; esto significa que b12 - 0,042 / 0,95 = -0,044.
De a10 b10 b12b20 , se tiene que 1,77 = b10 (0, 044) *1, 07 es decir: b10 1, 723 .
También de a11 11 b12 21 se puede deducir que: γ11 = 0,724 y de a12 12 b12 22 y que
γ12 = 0,167.
De esta forma se pueden apreciar en forma más nítida las interrelaciones del proceso y
conocer las influencias contemporáneas entre las variables. Por ejemplo, en la forma
reducida el coeficiente de z t-1 es 0,20 y en el modelo estructural ese coeficiente se escinde
en 0,167 que le corresponde a z t-1 y 0,044 que le corresponde a z t.
Cabe señalar que la estimación del modelo se podía haber efectuado directamente con el
Eviews. A partir de la planilla que incluye la serie de datos agrupada de y y z haciendo
click en Proc Make Vector Autoregression Unrestricted Var se obtienen los resultados con
dos lags. Sin embargo el programa no permitió reducir el número de lags a uno aun cuando
los parámetros correspondientes a los rezagos de orden dos no eran significativamente
distintos de cero. Debido a esta limitación las regresiones individuales que hemos
presentado anteriormente permiten mayor flexibilidad y son preferibles a los modelos VAR
suministrados por el programa.
Y Z
(0.09783) (0.10437)
[-0.33654] [-1.33410]
C 1.734775 0.987561
(0.42611) (0.45458)
[ 4.07122] [ 2.17246]
El VAR de primer orden que hemos considerado puede ser extendido tanto aumentando el
número de ecuaciones en consonancia con la cantidad de variables que se desee analizar
como incrementando el orden de los procesos autorregresivos que se consideren.
Por ejemplo, un VAR bivariado con dos rezagos, es decir de orden dos puede ser escrito:
yt b10 b12 zt 11 yt 1 12 yt 2 13 zt 1 14 zt 2 yt
zt b20 b21 yt 21 yt 1 22 yt 2 23 zt 1 24 zt 2 zt
También puede ser representado un VAR con n ecuaciones donde cada ecuación contiene n
variables con p rezagos cada una. Por ejemplo, en su versión reducida se puede escribir:
Para determinar el orden de los rezagos se pueden emplear la razón de verosimilitud, o los
criterios de Akaike o Schwarz considerando que en un VAR con n ecuaciones y p rezagos
el número total de parámetros estimados es N = n2 * p + n, donde n2 * p son los parámetros
que se estiman en la matriz que incluyen los rezagos y el último sumando corresponde a las
n constantes del modelo.
Un modelo vectorial autoregresivo también puede tener una representación bajo la forma de
promedios móviles en cuyo caso se denomina proceso vectorial de medias móviles y se
denota mediante VMA. En este modelo y t y z t son influenciadas por los valores presentes
y pasados de shocks aleatorios. Generaremos un VMA a partir de un VAR.
El VAR de orden uno en su versión reducida puede ser escrito:
n
xt ( I A1 A12 .... A1n ) A0 A1i et i A1n 1 xt n 1
i 0
yt yt i
z z A1et i
t t i0
yt yt i 1
z z A1 B t i
t t i0
yt yt
resulta: i t i .
i 1
Y haciendo i A1 B
zt zt i 0
1 1 b12 yt 1 yt b12 zt
0 t A10 B 1 t B 1 t
1 b12b21 b21 1 zt 1 b12b21 b21 yt yt
Se puede apreciar que el coeficiente - b12 / (1 b12b21 ) indica el impacto instantáneo que zt
tiene sobre yt , en tanto que - b21 / (1 b12b21 ) indica el impacto instantáneo que yt tiene
sobre zt . Otro tanto ocurre con los elementos que resultan del producto de la matriz 1 por
el vector t 1 y así siguiendo. Por este motivo a los elementos de la matriz i se los
denomina multiplicadores de impacto. Si se suman los elementos apropiados de la matriz i
se obtiene el efecto acumulado que los términos de perturbación, los zt y los yt en cada
caso, ejercen sobre las variables yt y zt , respectivamente.
Si se hace:
(i ) 12 (i ) yt i
i 0
i t i 11
i 0 21 (i ) 22 (i) zt i
n
Se aprecia que 12 (i ) representa el efecto de los zt sobre yt y por lo tanto
i 0
12 (i )
acumulado sobre zt .
Cada uno de los cuatro coeficientes jk (i ) van tomando valores a medida que varía i, el
rezago de la perturbación; son considerados como funciones de i y cada uno de esas
funciones se denomina función de respuesta a impulsos. El gráfico de cada una de estas
funciones jk (i ) contra i permite apreciar cómo varía la sucesión yt o zt según el caso, en
respuesta a los distintos shocks que impactan en las series.
Sin embargo, como se ha visto en el punto 6.4. Identificación y estimación de los modelos
VAR el sistema primitivo se halla subidentificado, de manera que es necesario imponer
alguna restricción para identificar las respuestas a los impulsos. Esta restricción (si es que
posee sentido económico) puede ser que b21 0 , lo que significa que yt no tiene efecto
contemporáneo sobre zt .
e1t 1 b12 yt
En este caso los términos de error resultan: .
e2t 0 1 zt
Esto significa que: e1t yt b12 zt y que e2t zt . Si uno conoce la sucesión {e2t } conoce la
sucesión { zt } y con el auxilio de la varianzas de e1t y de e2t y de la covarianza entre las dos
sucesiones, {e1t } y {e2t } , se puede hallar el valor de b12 y se pueden obtener las varianzas de
la sucesión { yt } , ya que: Var (e1t ) y b12 z , Var (e 2t ) z y Cov(e1t , e2t ) b12 z .
2 2 2 2 2
xt A0 A1 xt 1 ..... Ap xt p vt
Donde: yt [ y1t y2t ....... ynt ] A0 [a10 a20 .......an 0 ] y donde las A i son matrices
de coeficientes similares a las que se han considerado hasta aquí.
Si se supone que el proceso de error v t en lugar de ser ruido blanco está autocorrelacionado
y que la estructura de correlación posee una representación MA:
vt et M 1et 1 ...... M q et q
donde et [e1t e2t ........ent ] es ruido blanco y M i son matrices de coeficientes, entonces el
proceso se denomina proceso vectorial autoregresivo y de medias móviles (a veces también
proceso vectorial mixto) y se denota mediante la sigla VARMA. Estos procesos exceden
los límites de este trabajo y no serán considerados en lo que sigue.
En los modelos vectoriales como los que nos ocupan una pregunta que uno se debe
formular es si los rezagos de una variable influyen o no sobre alguna otra variable. Si la
respuesta es positiva pueden distinguirse dos tipos de influencia: una contemporánea y la
otra en la que los valores rezagados de una de ellas anticipa, en el sentido que tiene una
cierta relación, con los valores futuros de la otra. Esta relación de precedencia es la que
importa con respecto a la causalidad.
En un modelo de dos ecuaciones con p rezagos uno puede querer indagar si los rezagos de
z t afectan o no a y t o viceversa. Si la respuesta es afirmativa los parámetros
correspondientes a los coeficientes de los términos que incluyen a esos p rezagos deben ser
distintos de cero, en caso contrario todos ellos deben ser iguales a cero.
Si todos los parámetros correspondientes a los coeficientes de los términos que incluyen a
esos p rezagos son iguales a cero se dirá que z t no causa en el sentido de Granger a y t . Se
dirá que sí lo causa si el parámetro que corresponde a algún coeficiente de un término
rezagado de z t es distinto de cero.
Si la ecuación contiene un solo rezago y el coeficiente de z t-1 es a 12 , entonces se deberá
determinar si a 12 es igual a cero o no. Si la ecuación contiene más de un rezago se deberá
determinar si los coeficientes de A 12 ( L )son iguales a cero o no, es decir se debe decidir
si: a 12 (1) = a 12 (2) =…..= a 12 (p) = 0 o no.
Si se incluye un solo rezago se trata de una prueba individual en cuyo caso se puede aplicar
un test “t” , si se trata de más de un rezago se puede efectuar una prueba “F”. Esta prueba
“F” se puede formular como:
SCR r SCR nr / m
SCR nr / (n k )
La causalidad es una condición más débil que la exogeneidad, esta incluye además de los
efectos de las variables rezagadas el efecto derivado del valor presente de la variable. En el
caso de un sistema VAR bivariado con un solo rezago y t es exógena si no está afectada ni
por el valor presente ni por los valores pasados de z t , es decir además de no ser causada en
el sentido de Granger por z t tampoco recibe ninguna influencia contemporánea de esta. La
idea de exogeneidad se relaciona con la forma en que una variable se comporta con relación
a las otras u otra variable del modelo, si su variación es autonóma e independiente de las
otras u otra variable del modelo entonces es exógena con respecto a las otras dentro del
marco de ese modelo, en caso contrario se la denomina endógena.
12.5
12.0
11.5
11.0
10.5
10.0
9.5
86 88 90 92 94 96 98 00 02 04
LOINVER LOPBI
Para determinar si las series poseen raíces unitarias se les aplicó el test de Dickey – Fuller,
verificándose que el logaritmo de la inversión no posee raíces unitarias, en cambio sí posee
lopbi. Sin embargo, si se incorpora una tendencia determinística lopbi tampoco posee raíces
unitarias con un nivel de significación de 5%. Los resultados del test aumentado de Dickey
Fuller se presentan a continuación.
t-Statistic Prob.*
cálculos posteriores.
Los residuos de ambas regresiones poseen picos significativos en los rezagos 4, 8 y 12,
señal de que las series incluyen factores estacionales y que estos estarán presentes en los
resultados quitándole nitidez a las conclusiones. La estacionalidad fue corroborada para
ambas series, lopbi y loinver, mediante el Census X12 tanto en la versión multiplicativa
como en la aditiva, las que mostraron, en ambos casos, que se trata de estacionalidad
estable. Como los análisis con series desestacionalizadas no reflejaron resultados
satisfactorios y como por otra parte se comprobó que los factores estacionales eran muy
similares para ambas series, se prefirió proseguir las estimaciones con estacionalidad tanto
por las razones de sencillez apuntadas como para evitar que las estimaciones fueran poco
consistentes.
lopbi 5,884 0,377 lopbi ( 1) 0,159 loinver ( 2) 0, 002@ trend
loinver 0,137 lopbi (1) 0,841 loinver (1)
Como los valores pasados de una variable afectan a la otra existe entre ambas variables
causalidad en el sentido de Granger, una ”causa” a la otra en el sentido de Granger.
Pero de acuerdo con la teoría de la inversión debe pasar un cierto tiempo para que esta
madure y, por lo tanto, se puede suponer que la inversión no afecta contemporáneamente al
pbi aunque los movimientos de esta variable sí pueden influir contemporáneamente sobre la
inversión. Un pbi en crecimiento, por ejemplo, propende a un mejor clima de negocios y
sienta las bases para un mejor desempeño de la inversión. De manera que la restricción
adicional que se requiere para pasar del modelo reducido al estructural se puede fundar
naturalmente en la teoría de la inversión. Esta restricción supone que b12 = 0.
Las ecuaciones son un poco más complicadas que en el caso considerado en el punto 6.4.
Identificación y estimación de los modelos VAR ya que se incluyen más parámetros que
deben ser estimados, los que corresponden a los rezagos de orden dos y el que corresponde
a la tendencia determinística.
yt b10 b12 zt 11 yt 1 12 yt 2 13 zt 1 14 zt 2 15 w yt
zt b20 b21 yt 21 yt 1 22 yt 2 23 zt 1 24 zt 2 25 w zt
1 1 0
Si se multiplica por B después de efectuar las operaciones resulta:
b21 1
yt 1
y
t 2
yt b10 11 12 13 14 15 yt
z b b b b zt 1
t 20 21 10 21 21 11 22 b21 12 23 b21 13 24 b21 14 25 b21 15 yt b21 zt
zt 2
w
Mediante transformaciones similares a las presentadas anteriormentre puede ser escrito en
forma reducida como:
a20 b20 b21b10 , a21 21 b21 11 , a22 22 b21 12 , a23 23 b21 13 , a24 24 b21 14 ,
a25 25 b21 15
Además como Var (e1t ) y , Var (e 2t ) y b21 z y teniendo en cuenta que
2 2 2 2
Cov(e1t , e2t ) (b21 y2 b12 z2 ) / (1 b12b21 ) 2 y que b12 = 0 resulta: Cov(e1t , e2t ) b21 y2 .
RESIE1 RESIE2
RESIE1 0.003184 0.006811
RESIE2 0.006811 0.016988
donde RESIE1 denota a e 1t y RESIE2 denota a e 2t .
Como Cov(e1t , e2t ) 0, 006811 y Var (e1t ) y = 0,003184 resulta b21 - 2,139
2
Además: a10 b10 = 5,884 así que de: a20 b20 b21b10 resulta 0 = b20 + 2,139 * 0, luego
b20 = 0.
Como: a11 11 = 0,377 y a21 21 b21 11 se tiene: 0,137 = 21 -(-2,139)* 0,377, o sea
21 = -0,669.
Esta última ecuación revela que hay una gran influencia contemporánea del pbi sobre la
inversión.
En el punto 6.5. El modelo VMA. Función de respuesta a impulsos se ha indicado que estas
ecuaciones pueden transformarse en:
yt yt i 1
z z A1 B t i
t t i0
Donde:
1 1 b12
B 1 et = B-1 εt
1 b12b21 b21 1
yt yt
Y haciendo i A1 B resulta: i t i .
i 1
zt zt i 0
(i ) 12 (i ) yt i
i 0
i t i 11
i 0 21 (i ) 22 (i) zt i
yt 1, 77 0, 73 yt 1 0, 20 zt 1 e1t
zt 1, 07 0,13 yt 1 0, 76 zt 1 e2t
2 A12 B 1
0,13 0, 76 0 1 0, 095 0, 004
3 A13 B 1
0,13 0, 76 0 1 0, 073 0, 003
Las operaciones con matrices se pueden efectuar con el Eviews, la “ayuda” o Help de este
programa suministra información detallada.
Ejercicio.
yt 2,3 0, 65 yt 1 0, 24 zt 1 e1t
En el modelo
zt 1, 4 0, 22 yt 1 0,57 zt 1 e2t
RESIE1 RESIE2
RESIE1 0.004567 0.003415
RESIE2 0.003415 0.002698
Si A es una matriz cuadrada a veces se requiere la solución de una ecuación matricial cuya
forma es A x = λ x o lo que es igual ( A - λ I ) x= 0, donde I es la matriz identidad. Los
vectores x que cumplen con esa propiedad se denominan autovectores y los valores de λ se
denominan autovalores de la matriz.
1 2 0
Por ejemplo, si A y dado que I entonces:
3 2 0
1 2
A I 0 resulta: (1 ) (2 ) 6 4 3 2 0 . Las raíces de esta
3 2
ecuación, denominada caraterística, son 1 -1 y 2 4 .
2 2 x1 2 x1 2 x2
3 3 x 3 x 3 x Es decir, x1 x2 .
2 1 2
3 2 x1 3x1 2 x2 2
Para la raíz 2 4 resulta: . En este caso x1 x2 .
3 2 x2 3 x1 2 x2 3
Si ahora se normalizan los vectores ( haciendo que su longitud sea igual a 1) es decir,
x12 x22 1 , entonces como para el primer vector x1 x2 , se tiene: 2 x22 1 o bien
1 1 1 1
x2 en tanto que x1 . El primer autovector es 2 ; 2 .
2 2
4 2 2 13 2 3
Para el segundo vector es x2 x2 1 o bien x2 1 , es decir x2 en tanto que
9 9 13
2 3 2 2 3
x1 . El segundo autovector es ; .
3 13 13 13 13
Cuando el rango de la matriz es superior a dos, resulta complicado hallar los autovalores y
autovectores de una matriz, pero con el Eviews el problema se puede resolver fácilmente el
problema para una matriz simétrica.
Para cargar los datos se abre un Workfile y se hace click en Object New Object Matrix, se
indican 3 filas y 3 columnas y que se trata de una matriz simétrica. Cuando se da Enter
aparece una matriz 3*3. Se hace click en Edit y se cargan los datos. Se le da nombre a la
matriz, por ejemplo sym01.
Luego se debe obtener un vector donde guardar los datos. Este vector se genera de manera
análoga a la empleada para obtener la matriz, es decir: Object New Object Matrix, se
indican 3 filas y 1 columna y se le da nombre, por ejemplo matrix02. Se escribe:
matrix02=@eigenvalues(sym01). El programa genera los autovalores en matrix02. En este
caso los autovalores fueron: -1.584803; 1.794590 y 8.790213.
Los autovectores se obtienen en forma similar. Se debe generar una matriz para guardar los
vectores, esto se hizo mediante Object New Object Matrix, indicando 3 filas y 3 columnas
y se la llamó matrix03. Luego se escribió: matrix03=@eigenvectors(sym01). Los
autovectores aparecen a continuación. Deben leerse por columna.
En general una matriz n*n posee n autovalores que pueden ser distintos. Una matriz 2*2
posee dos autovalores, una 3*3 posee 3 autovalores y así siguiendo.
Por otra parte, los autovectores de una matriz A correspondientes a distintos autovalores
son linealmente independientes y como el rango de una matriz es el número de filas ( o
columnas) linealmente independientes sigue que el rango de una matriz A es el número de
raíces características distintas de cero.