Econometrı́a de Series de Tiempo

Modelos estocásticos multivariados y correlación serial

José Gabriel Castillo, Ph.D.

Guayaquil

Castillo, J.G. (ESPOL) Series de Tiempo 1 / 11

 Modelos estocásticos multivariados y
correlación serial

Castillo, J.G. (ESPOL) Series de Tiempo 2 / 11

Modelos de Rezagos Distribuidos

Un modelo puede emplear información histórica para explicar un

fenómeno, por ejemplo: cuál es el efecto de la polı́tica monetaria o
fiscal en el ingreso/renta nacional nominal (Friedman y Meiselman,
1963):
X X X
ytn = y0n + ai At−i + bi mt−i + hi zt−i + ut
i=0 i=0 i=0

en donde: ytn es el logaritmo del ingreso nominal; At una medida del

consumo autónomo; mt un agregado monetario (ej. M1, M2,
quasidinero) y zt otras variables que ayudan a explicar las
fluctuaciones nominales.
Este tipo de modelos en donde la variable explicada depende de
valores actuales y rezagados de otras (pero no de sı́ misma), se
denominan Modelos de Rezagos Distribuidos (MRD).

Castillo, J.G. (ESPOL) Series de Tiempo 3 / 11

Modelos de Rezagos Distribuidos

El grado del modelo de rezagos distribuidos (MRD) está dado por el

rezago mayor en la ecuación. Ası́, un MRD de segundo orden es:
1
X 2
X
ytn = y0n + ai At−i + bi mt−i + ut
i=0 i=0

Note que el efecto contemporaneo está incluido en este caso. b0 y a0

se los conoce como multiplicadores de impacto (corto plazo).

Castillo, J.G. (ESPOL) Series de Tiempo 4 / 11

Modelos de Rezagos Distribuidos

En un modelo multivariado, el multiplicador de largo plazo

(MLP(γ)) está dado por la agregación de los efectos rezagados. Ası́
tenemos que:
2
X
ytn = y0n + bi mt−i + ut
i=0

ytn = y0n + b0 mt + b1 mt−1 + b2 mt−2 + ut

2
X ∂ytn
MLP : γ = b0 + b1 + b2 =
i=0
∂mt−i

No se incluye la constante. No depende del tiempo.

Castillo, J.G. (ESPOL) Series de Tiempo 5 / 11

Modelos de Rezagos Distribuidos

Una alternativa atractiva para la estimación e inferencia de MRD es:

2
X
ytn = y0n + γmt + bi (mt−i − mt ) + ut
i=1

en donde queda explı́cito en el resultado de la regresión los errores

estándar de los MLP(γ).

Castillo, J.G. (ESPOL) Series de Tiempo 6 / 11

Modelos Auto regresivos y de Rezagos Distribuidos

Son una evolución natural de los modelos de rezagos distribuidos en

donde se incluye entre los regresores, rezagos de la variable
dependiente.
Dado que podemos identificar dos dimensiones relevantes, empleando
la notación de los modelos ARIMA, la dimensión de un modelo de
esta ı́ndole puede describirse como: MARD(p, q).
p
X q
X
yt = δ + αj yt−j βi mt−i + ut , ut ∼ iid(0, σ 2 )
j=1 i=0

para p rezagos autoregresivos y q rezagos distribuidos.

Castillo, J.G. (ESPOL) Series de Tiempo 7 / 11

Modelos Auto regresivos y de Rezagos Distribuidos

Sin imponer mayor estructura, note que se requiere la condición de

estabilidad (no equivalente a la estacionariedad).
p
X
|α| < 1 o |αj | < 1
j=1

De lo contrario el proceso explota (no alcanza condiciones de

equilibrio).

En la práctica: la dimensión del modelo depende del problema de

análisis. Una intuición es emplear la frecuencia de la información ası́,
por ejemplo; para datos trimestrales: p = q = 4.

Castillo, J.G. (ESPOL) Series de Tiempo 8 / 11

Correlación serial

Un problema natural en estos modelos es la determinación de la correlación

serial.

Si se trata de variables cointegradas, no tenemos de qué preocuparnos.

Si se trata de variables estacionarias, aún es posible la presencia de

correlación serial (necesitamos probar).

Probar la Correlación Serial:

I Graficar los residuos: en el tiempo, respecto de su rezago [AR(1)].

I Breusch–Godfrey (Multiplicador de Lagrange): (T − p)R 2 ∼ χ2 (p), a

partir de una regresión auxiliar de los residuos del modelo.
I Ljung–Box: Q ∼ χ2 (p)
I Durbin-Watson (no recomendado)

Castillo, J.G. (ESPOL) Series de Tiempo 9 / 11

Correlación serial: Test de Durbin Watson (DW)
Test bajo supuestos restrictivos:
I Estimación del modelo original con constante.

I ut ∼ N(0, σ 2 )
I Proceso AR(1): u = ρu
t t−1 + t , t ∼ WN(0, 1)
Estadı́stico Durbin–Watson (consistente únicamente en modelos estáticos):
PT 2
t=2 (ût − ût−1 )
d= PT 2
t=1 ût

Se puede mostrar que:

d ≈ 2(1 − ρ̂)
en donde ρ̂ es el estimador MCO de un modelo AR(1) para los residuos; por
lo tanto ρ ∈ (−1, 1) =⇒ d ∈ [0, 4].
Desventajas:
I No informa respecto de procesos AR(k) de orden superior.
I Requiere de información adicional: intervalos de autocorrelación.
I No es robusto a presencia de heteroscedasticidad.

Castillo, J.G. (ESPOL) Series de Tiempo 10 / 11

Correlación serial: Estimación

En presencia de correlación serial, en general,1 la estimación por MCO es

sesgada e inconsistente, especialmente en modelos autoregresivos. Qué
alternativas de estimación tenemos?
GLS / FGLS
Algoritmos Cochrane-Orcutt (Praiss-Winstein)
MLE
Una corrección robusta para los errores estándar de la estimación en
presencia de correlación serial y heteroscedasticidad es:
Newey-West (errores HAC)

1
Wooldridge (2013), analiza a detalle la excepción a esta afirmación.
Castillo, J.G. (ESPOL) Series de Tiempo 11 / 11