Documentos de Académico
Documentos de Profesional
Documentos de Cultura
MODELO DE REGÍMENES
CAMBIANTES
2021
INDICE
Regímenes cambiantes................................................................................................................3
MODELO TAR...............................................................................................................................5
MODELO SETAR...........................................................................................................................5
2
Regímenes cambiantes
REGÍMENES = DIFERENTES ESTADOS DE LA ECONOMÍA
El comportamiento dinámico no lineal de una serie de tiempo implica que ciertas
propiedades como su media, su varianza o su autocorrelación son diferentes según el
régimen prevaleciente en cada momento
Los parámetros del modelo estadístico que representa la serie son variantes en el
tiempo.
El objetivo primario de los modelos de regímenes cambiantes es proporcionar una
metodología econométrica sistemática para el análisis estadístico de series de tiempo
que están sujetos a cambios de régimen.
1. Extrayendo la información de los datos sobre los cambios de régimen en el pasado,
2.MINER ÍA EN EL los
Estimando Ú COLONIAL
PERparámetros del modelo consistente y eficientemente,
Y REPUBLICANO 3
3. Detectando los cambios de régimen recientes,
4. Corrigiendo el modelo cuando el régimen cambia,
5. Incorporando la probabilidad de cambios de régimen futuros en las proyecciones
2
¿En qué difieren los modelos de regímenes cambiantes?
Estos modelos no lineales difieren en sus supuestos sobre el proceso estocástico que
genera el régimen:
Modelos de Transición Determinística: Régimen observable (con certeza)
Modelos de umbral: TAR, SETAR
Modelos de transición suave: STAR (LSTAR, ESTAR)
Modelos de Transición Estocástica: Régimen no observable (incierto)
Modelos de Márkov con probabilidades de transición variables (MS- AR, MS-VAR,…)
Modelos de Markov con probabilidades de transición variables
Yt
¿
{ V 1+ ∑ α 1i Yt−i+ εt , para t < τ
i =1
p
¿V 2+ ∑ α 2i Yt−i+ εt , para t ≥ τ
usando la función indicador
i=1 : 1 , para t ≥ τ
{
I(t; τ ¿ ¿ ¿1 , para t< τ
el PGD puede ser rescrito como:
2
b. Modelo de regresión variante
Relacionado al modelo de quiebre estructural está el modelo de regresión
variante, en el cual los cambios de régimen son generados por una variable de
régimen observable st:
p
{ 0 , si St=1
I(St;M) ¿ ¿1 , si St =2
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:
MINERÍA ENp EL PERÚ COLONIAL Y REPUBLICANO 5
Yt = (v1 + ∑ α 1iYt −i¿(1−I ( st ; M ))+¿
i=1
MODELO SETAR
INTRODUCCION
Para intentar entender la realidad muchas veces hacemos uso de modelos; estos
sirven como una herramienta, consideramos supuestos, creamos hipótesis y
evaluamos determinadas variables en el tiempo con el fin de predecir su
comportamiento.
Un modelo usado para entender las relaciones de uno o más predictores, es el modelo
lineal, siendo útil en el sentido de que muestran interrelaciones entre series de tiempo
el cual nos proporciona una formula con parámetros que explican y miden el grado de
dependencia entre la variable endógena y exógena; en un mundo constante este
2
modelo tendría un alto grado de certeza con sus predicciones, pero en la realidad el
comportamiento de los datos es dinámico.
En la economía existen ciclos de alto crecimiento y ciclos recesivos , también se ve
afectada por periodos con hiperinflación o quizá una inflación controlada , la existencia
de estos fenómenos temporales , ocasionan grandes cambios en los datos observados
por lo que contar con parámetros constantes sabiendo que existen shocks económicos
nos hace replantear la fiabilidad de las predicciones del modelo simple , las
propiedades como varianza y autocorrelación son diferentes según los choques que
impacten a estos datos es por eso necesario hacer uso de otra metodología que
considere los shock antes mencionados y los incorpore en su predicción .
La idea de usar modelos de regímenes cambiantes permite deslumbrar un proceso que
es invariante en el tiempo condicional a una variable de régimen. Usar este modelo
proporciona una metodología econométrica sistemática para el análisis estadístico de
series de tiempo múltiples cuando el proceso generador de datos está sujeto a
cambios de régimen.
Para el año 2020 muchas de las variables macroeconómicas se han visto alteradas por
un proceso estocástico exógeno ; la pandemia .Muchos de los modelos no incluían
este evento por lo que sus parámetros antes calculados se tendrían que actualizar sin
embargo los datos registrados anteriores a la pandemia se comportan diferente a los
actualmente
MINERÍA EN registrados ,es por elloYque
EL PERÚ COLONIAL incluir esta metodología nos va permitir
REPUBLICANO 6
ajustar el modelo y poder usar la información del pasado con los registros recientes
para una estimación mas completa.
EL MODELO SETAR
Si la variable de transición es una variable endógena rezagada y t-d con rezago d>0, se
obtiene el modelo autoregresivo de auto-activación del umbral (Self Excitement Threshold
AutoRegressive):
p
( )
yt= v 1+∑ α 1 iY t−i ( 1−I ( Yt−d ; c ) ) +¿
i=1
Dondeεt , IID ¿ Y c es otra vez el umbral . la función indicador I(yt-d ;c) es:
1 si g ( Yt −d ) >c
{
I (Yt-d , c) =
0 si g (Yt −d ) ≤ c }
Nótese que el modelo puede ser escrito como:
2
p
Yt =v ( St ) ∑ α 1 ( St ) Yt −1+ εt
i=1
Donde para un umbral c dado pero desconocido , la probabilidad del régimen no observable
esta dada por :
donde la función de transición G (Zt, y,c) es una función continua que determina el peso
del régimen 2 y está, usualmente, limitada entre 0 y 1, en otras palabras, cambia
suavemente de 0 a 1 conforme zt crece. Para un modelo autorregresivo, el modelo STAR
sería de la siguiente manera:
2
Para este ejemplo, el modelo exhibe dos regímenes asociados con los valores extremos
de la función de transición: G (Zt, c, y) = 1, G (Zt, c, y)=0, la transición de un régimen a
otro es gradual y el régimen que ocurre en el período t es observable (para zt; c, γ
dados) y puede ser determinado por G (Zt, c, y).
Hay que tener en cuenta que existen dos tipos de modelos STAR, según la función de
transición que se especifique. Si el modelo incluye una función de transición logística
acumulada tendríamos un LSTAR, mientras que la otra posibilidad es que se utilice una
función de transición exponencial, con lo que tendríamos un ESTAR. Debido a que, para
el presente trabajo de investigación, se buscó diferenciar entre valores positivos y
negativos de zt relativo a c, y los pequeños y grandes valores de la función de
transición respecto del umbral c, se empleará un LSTAR, siendo la función de transición
como se muestra a continuación:
Pbi mensual (variación porcentual) desde enero 2004 hasta abril 2021
Tipo de cambio dólar mensual desde enero 2004 hasta abril 2021
Tc = tipo de cambio
Model SETAR:
2
después de entender toda la teoría previamente explicada procedemos a aprovechar la
potencia del software actual como lo es eview. Cuyo procedimiento para aplicar un modelo
autorregresivo de auto activación de umbral SETAR, en las opciones de eview seleccionamos
quick/estimate ecuation y en la pantalla agregamos los datos como en las siguientes imágenes:
Non-Threshold Variables
2
F-statistic 102.1840 Durbin-Watson stat 1.652283
Prob(F-statistic) 0.000000
Modelos STAR
Para realizar un modelo LSTAR y ESTAR el procedimiento es el mismo solo con una pequeña
diferencia, en el threshold type que se traduce como tipo de umbral elegiremos smooth y al
momento de definir los parametros de la ecuacion elegiremos logaritmica para el modelo
LSTAR mientras que exponencial para STAR.
2
LSTAR:
Non-Threshold Variables
Slopes
Thresholds
2
MINERÍA EN EL PERÚ COLONIAL Y REPUBLICANO 12
ESTAR:
Non-Threshold Variables
2
Slopes
Thresholds
2
MINERÍA EN EL PERÚ COLONIAL Y REPUBLICANO 14