TALLER 3: COINTEGRACIÓN Y MODELOS VAR MARCELA HARO TAPIA

ECONOMETRIA III

LITERAL A

Inflación Masa Monetaria

.1

10
.08

9.5
.06

logm1
y_infl
.04

9
.02

8.5
0

2006m1 2008m1 2010m1 2012m1 2014m1 2016m1 2018m1 2006m1 2008m1 2010m1 2012m1 2014m1 2016m1 2018m1
time time

La evolución de la serie de la masa monetaria presenta una clara tendencia lineal positiva
conforme pasan los meses, aunque se visualiza la presencia de caídas no muy bruscas, sino que se
da una rápida recuperación y crecimiento en los periodos posteriores a dichas caídas. Así mismo,
esta serie posee raíz unitaria. Por otro lado, la serie de la inflación presenta gran volatilidad,
durante los últimos dos años ha ido decreciendo, llegando a ser negativa durante varios meses
consecutivos, esta serie no es estacionaria, tiene raíz unitaria sin embargo esto se lo demostrará
más adelante.

LITERAL B

Para obtener un proceso cointegrado es necesario en primer lugar, evaluar la existencia de raíz
unitaria en las variables, esto se realiza con el test de Dickey Fuller, con el cual se comprobó que
tanto la inflación como la masa monetaria tienen raíz unitaria. Posterior a ello evalúo con el test
de Dickey Fuller Aumentado, que consiste en integrar la serie para determinar la presencia de raíz
unitaria, en este caso, tal cómo se muestra en la figuras, se rechaza la hipótesis nula de existencia
de raíz unitaria.

Para determinar finalmente si el proceso es cointegrado, se realizó una regresión de las variables
además de incluir la tendencia, en primer lugar por MCO y posterior a ello con errores robustos a
heterocedasticidad y autocorrelación, a través del newey test, en donde se estimaron los residuos
y se comprobó que son I (0), esto permite identificar que se trata de un proceso cointegrado, con
lo cual las variables pueden ser usadas a nivel. Estas pruebas se encuentran en el ANEXO 1.

TEST DE DICKEY FULLER AUMENTADO PARA LA INFLACIÓN

TALLER 3: COINTEGRACIÓN Y MODELOS VAR MARCELA HARO TAPIA
ECONOMETRIA III

TEST DE DICKEY FULLER AUMENTADO PARA LA MASA MONETARIA

LITERAL C

El modelo puede ser estimado a pesar de que se generaría un nivel mínimo de sesgo. Debido a que
la consistencia de la cointegración no requiere la ausencia de correlación entre variables
explicativas de la regresión de cointegración y el término de error, de hecho, en la regresión por
MCO de cointegración puede tomarse como variable dependiente cualquiera de las variables del
conjunto cuya cointegración se está contrastando. Sin embargo, dicho estimador es sesgado en
muestras finitas, y su distribución límite no es estándar. El tamaño del sesgo está relacionado con
1-R2 de la regresión de cointegración, de modo que si el R2 es alto, dicho sesgo será pequeño.
Engle y Granger (1987) demostraron que el estimador en dos etapas del modelo de corrección del
error es asimismo consistente.

LITERAL D

El modelo de corrección de errores fue estimado, y en él se evidencia la dinámica a corto plazo

está dada únicamente por el rezago de la diferencia de la inflación, puesto que el rezago de la
diferencia de la masa monetaria no es estadísticamente significativo, por lo cual no va a afectar la
dinámica de largo plazo del modelo. Lo cual hace que la interpretación de los modelos VEC no sea
interesante, es mejor realizar la estimación de los modelos VAR.
TALLER 3: COINTEGRACIÓN Y MODELOS VAR MARCELA HARO TAPIA
ECONOMETRIA III

Vector error-correction model

Sample: 2007m3 - 2017m10 Number of obs = 128

AIC = -13.08617
Log likelihood = 846.5151 HQIC = -13.0047
Det(Sigma_ml) = 6.18e-09 SBIC = -12.88564

Equation Parms RMSE R-sq chi2 P>chi2

D_y_infl 4 .003298 0.4334 94.85036 0.0000

D_logm1 4 .024617 0.2023 31.45607 0.0000

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

D_y_infl
_ce1
L1. -.0481777 .0140175 -3.44 0.001 -.0756516 -.0207039

y_infl
LD. .6127003 .0674635 9.08 0.000 .4804743 .7449262

logm1
LD. .004308 .0117325 0.37 0.713 -.0186873 .0273033

_cons -.006536 .0019091 -3.42 0.001 -.0102778 -.0027942

D_logm1
_ce1
L1. -.0527381 .1046153 -0.50 0.614 -.2577804 .1523042

y_infl
LD. .6665428 .5034918 1.32 0.186 -.320283 1.653369

logm1
LD. -.2138746 .0875618 -2.44 0.015 -.3854927 -.0422565

_cons .0059708 .014248 0.42 0.675 -.0219548 .0338965

LITERAL E

A continuación se plantean las ecuaciones de un modelo VAR (p):

Inf t =α + β 0 M t + γ 1 Inf t−1 +…+ γ p Inf t − p+ β1 M t−1 +…+ β p M t − p +ε t

M t =α + β 0 Inf t + γ 1 Inf t−1 +…+ γ p Inf t − p+ β1 M t−1 +…+ β p M t − p +ε t

LITERAL F

CAUSALIDAD DE GRANGER DEL MODELO

TALLER 3: COINTEGRACIÓN Y MODELOS VAR MARCELA HARO TAPIA
ECONOMETRIA III

La causalidad de Granger de este modelo, es únicamente por parte de la masa monetaria que
causa a la inflación, lo cual tiene mucho sentido debido a que el dinero que se encuentra en la
economía es el que nos permite identificar cómo se encuentra cómo se mueven los mercados a
través de la inflación, en este caso lo mejor es estimar un modelo VAR de forma reducida, que
permita analizar de mejor manera esta relación a corto y largo plazo.

LITERAL G

Para la estimación del modelo VAR, se consideraron los criterios de información que sugieren el
número de rezagos a incluir en el modelo, los mismos que se presentan a continuación, en ambos
casos sugieren usar dos o tres rezagos, sin embargo luego de realizar las pruebas con los modelos
con dos y tre4s rezagos, éstos no resultaron ser significativos. Además, es importante mencionar
que se utilizó el criterio de cointegración que se halló previamente para poder trabajar con las
series a nivel, ya que después de comprobar con las variables integradas, el modelo no era estable.

Dado que los rezagos no resultaron ser significativos, se elaboró un VAR de orden uno, con el cuál
la significancia es evidente y se presenta a continuación:

Modelo VAR(1)
TALLER 3: COINTEGRACIÓN Y MODELOS VAR MARCELA HARO TAPIA
ECONOMETRIA III

Además se comprobó que el VAR es estable, ya que todas las raíces características se encuentran
dentro del círculo unitario, esto se visualiza en el gráfico y en la tabla que comprueba que el VAR
satisface la condición de estabilidad:

Roots of the companion matrix

1
.5
Imaginary
0-.5
-1

-1 -.5 0 .5 1
Real

Adicionalmente, se hallaron las funciones impulso respuesta, en donde se determina que si hay un
shock exógeno de una unidad en la masa monetaria se generan impulsos en la inflación que
persisten en el tiempo, a pesar de que son mínimos, puesto que persistencia es bastante larga, el
impacto solo dura más de 10 periodos. Adicional a la gráfica, se presenta la tabla con los valores
en el anexo 2.

var1, logm1, logm1 var1, logm1, y_infl

0
1.05

1 -.01

.95 -.02

.9 -.03

.85 -.04

var1, y_infl, logm1 var1, y_infl, y_infl

2
1

1
.8
0

.6
-1

-2 .4
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
step
95% CI impulse-response function (irf)
Graphs by irfname, impulse variable, and response variable

LITERAL H
TALLER 3: COINTEGRACIÓN Y MODELOS VAR MARCELA HARO TAPIA
ECONOMETRIA III

De todas las técnicas utilizadas, la mejor forma de evaluar la relación existente entre la inflación y
la masa monetaria, es el modelo VAR de orden uno, debido a que con ello hallamos una causalidad
por parte de la masa monetaria a la inflación. En este sentido, los resultados obtenidos permiten
realizar una mejor inferencia a largo plazo. Esto se debe a que el VAR interconecta a todas las
variables, buscando una verdadera relación entre ellas.

ANEXO 1
REGRESIÓN POR MCO

TEST DE DICKEY FULLER DE LA REGRESIÓN ANTERIOR

REGRESIÓN CON ERRORES HAC

TEST DE DICKEY FULLER DE LA REGRESIÓN ANTERIOR

TALLER 3: COINTEGRACIÓN Y MODELOS VAR MARCELA HARO TAPIA
ECONOMETRIA III

TEST DE COINTEGRACIÓN DE JOHANSEN

Cointegrating equations

Equation Parms chi2 P>chi2

_ce1 1 9.380389 0.0022

Identification: beta is exactly identified

Johansen normalization restriction imposed

beta Coef. Std. Err. z P>|z| [95% Conf. Interval]

_ce1
y_infl 1 . . . . .
logm1 .046377 .0151423 3.06 0.002 .0166986 .0760554
_cons -.6093348 . . . . .

ANEXO 2
TALLER 3: COINTEGRACIÓN Y MODELOS VAR MARCELA HARO TAPIA
ECONOMETRIA III
TABLA DE RESULTADOS IMPULSO-RESPUESTA DEL MODELO VAR

Results from var1

(1) (1) (1) (2) (2) (2)

step irf Lower Upper irf Lower Upper

0 1 1 1 0 0 0
1 .970274 .932174 1.00837 -.006421 -.229994 .217152
2 .941447 .867567 1.01533 -.01262 -.451988 .426747
3 .913493 .806041 1.02094 -.018605 -.666232 .629023
4 .886384 .747461 1.02531 -.024381 -.872971 .82421
5 .860095 .691699 1.02849 -.029955 -1.07244 1.01253
6 .834602 .638632 1.03057 -.035334 -1.26487 1.1942
7 .809879 .588141 1.03162 -.040523 -1.45048 1.36944
8 .785905 .540112 1.0317 -.045528 -1.62949 1.53844
9 .762655 .494435 1.03088 -.050355 -1.8021 1.70139
10 .740108 .451005 1.02921 -.05501 -1.96852 1.8585

(3) (3) (3) (4) (4) (4)

step irf Lower Upper irf Lower Upper

0 0 0 0 1 1 1
1 -.002468 -.004497 -.00044 .99519 .983288 1.00709
2 -.004852 -.008793 -.00091 .990419 .966981 1.01386
3 -.007152 -.012899 -.001405 .985687 .95105 1.02032
4 -.009373 -.016826 -.001919 .980992 .935471 1.02651
5 -.011515 -.020584 -.002447 .976334 .920218 1.03245
6 -.013583 -.02418 -.002986 .971712 .905267 1.03816
7 -.015578 -.027625 -.00353 .967125 .890596 1.04365
8 -.017502 -.030927 -.004077 .962574 .876183 1.04896
9 -.019358 -.034094 -.004622 .958056 .862007 1.0541
10 -.021147 -.037133 -.005161 .953572 .848049 1.0591

95% lower and upper bounds reported

(1) irfname = var1, impulse = y_infl, and response = y_infl
(2) irfname = var1, impulse = y_infl, and response = logm1
(3) irfname = var1, impulse = logm1, and response = y_infl
(4) irfname = var1, impulse = logm1, and response = logm1

.
end of do-file