Está en la página 1de 14

UNIVERSIDAD NACIONAL DE INGENIERÍA

FACULTAD DE INGENIERIA ECONOMICA ESTADISTICA


Y CIENCIAS SOCIALES
ECONOMETRÍA 1

MODELO DE REGÍMENES
CAMBIANTES

2021

INDICE
Regímenes cambiantes................................................................................................................3

TIPOS DE MODELOS DE REGÍMENES CAMBIANTES....................................................................4

MODELO TAR...............................................................................................................................5
MODELO SETAR...........................................................................................................................5

MODELO DE CAMBIO DE RÉGIMEN DE TRANSICIÓN SUAVE (STAR)..........................................7

APLICACIONES DE LOS MODELOS:..............................................................................................8

MINERÍA EN EL PERÚ COLONIAL Y REPUBLICANO 2

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

La idea básica de los modelos de regímenes cambiantes es que el proceso es invariante


en el tiempo condicional a una variable de régimen st que indica el régimen
prevaleciente en el período t.
- Los modelos teóricos no necesariamente suponían cambios de régimen,

- Pero los datos los mostraban con frecuencia

Los modelos de regímenes cambiantes caracterizan un proceso generador de datos


(PGD) no lineal como procesos lineales condicionales en cada régimen donde:

- El régimen puede ser no observable.

- Sólo un número discreto de regímenes es posible. Si se aumenta el


número de regímenes se puede estar buscando un sobre ajuste de los
datos.

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

TIPOS DE MODELOS DE REGÍMENES


CAMBIANTES
Modelos simples
Modelo de quiebre estructura:
MINERÍA EN EL PERÚ COLONIAL Y REPUBLICANO 4
p

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:

Yt= ( v 1+ ∑ α 1 iYt −i ¿(1−I (t ; τ))+¿


i=1

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

Yt = (v1 + ∑ α 1iYt −i¿(1−I (st ; M ))+¿


i=1

con M=2, la función indicador sería:

{ 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

La función indicador I(xt; c) es del tipo:


1 , si g ( Xt ) >c
{
I(x,c) ¿ ¿ 0 , si g ( Xt ) ≤ c

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 :

Pr ( St=1 St−1 ,Y t−1 )=I ( Yt−d , C )= 1 si g ( Yt −d ) >c


{
0 si g (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).
Alternativamente, para un AR(1), el modelo puede escribirse como:

Yt = v 1+ α 1Yt −1+ ετ si Yt−1 ≤ c


{
v 2+α 2 Yt−1+ετ siYt −1>c

MODELO DE CAMBIO DE RÉGIMEN DE TRANSICIÓN


SUAVE (STAR)
MINERÍyA EN
Granger EL PERÚ(1993),
Teräsvirta COLONIAL Y REPUBLICANO
mencionan que el Modelo de Cambio de Régimen de 7
Transición Suave tiene como supuesto que los cambios de regímenes son generados por
una variable de transición observable zt, ya sea endógena rezagada o exógena o ambas,
la cual cruza un umbral c, es decir, el peso asignado a los regímenes depende de la
ocurrencia de zt. Por ejemplo, si tuviéramos dos regímenes la probabilidad de ocurrencia del
estado 2 sería:

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:

MINERÍA EN EL PERÚ COLONIAL Y REPUBLICANO 8

APLICACIONES DE LOS MODELOS:


Para poder aplicar los modelos TAR estaremos utilizando datos extraídos del BCRP:

Pbi mensual (variación porcentual) desde enero 2004 hasta abril 2021

Tipo de cambio dólar mensual desde enero 2004 hasta abril 2021

Para estas aplicaciones estaremos utilizando el software eviews 10.

Tendremos la siguiente estructura de datos.

Pbi = variación del pbi

Pbi(-t) = variación del pbi en el rezago t

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:

Al hacer este procedimiento obtendremos el


siguiente resultado
MINERÍA EN EL PERÚ COLONIAL Y REPUBLICANO 9

Dependent Variable: PBI


Method: Discrete Threshold Regression
Date: 07/05/21 Time: 15:03
Sample: 2005M03 2021M04
Included observations: 194
Threshold variable: PBI (-3)

Variable Coefficient Std. Error t-Statistic Prob.  

PBI(-3) < 3.0399999 -- 60 obs

PBI(-1) 0.925497 0.137629 6.724556 0.0000


C 3.241987 0.570971 5.678021 0.0000

3.0399999 <= PBI(-3) -- 134 obs

PBI(-1) 1.115689 0.077673 14.36389 0.0000


C 3.319831 0.607328 5.466289 0.0000

Non-Threshold Variables

PBI(-2) -0.155788 0.101811 -1.530167 0.1277


PBI(-12) -0.587349 0.067110 -8.752073 0.0000

R-squared 0.731014    Mean dependent var 4.425311


Adjusted R-squared 0.723860    S.D. dependent var 7.181755
S.E. of regression 3.773944    Akaike info criterion 5.524558
Sum squared resid 2677.619    Schwarz criterion 5.625626
Log likelihood -529.8821    Hannan-Quinn criter. 5.565483

2
F-statistic 102.1840    Durbin-Watson stat 1.652283
Prob(F-statistic) 0.000000

MINERÍA EN EL PERÚ COLONIAL Y REPUBLICANO 10

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:

Dependent Variable: PBI


Method: Smooth Threshold Regression
Transition function: Logistic
Date: 07/05/21 Time: 16:58
Sample: 2005M03 2021M04
Included observations: 194
Threshold variable: PBI(-3)
Starting values: Grid search with concentrated regression coefficients
Ordinary standard errors & covariance using outer product of gradients
Convergence achieved after 7 iterations

Variable Coefficient Std. Error t-Statistic Prob.  

Threshold Variables (linear part)

PBI(-1) 1.194443 0.098247 12.15754 0.0000


C 2.526320 0.558697 4.521806 0.0000

Threshold Variables (nonlinear part)

PBI(-1) -0.758267 0.284095 -2.669059 0.0083


C 8.324413 2.778344 2.996178 0.0031

Non-Threshold Variables

PBI(-2) -0.336023 0.089484 -3.755114 0.0002


MINER ÍA EN EL PERÚ -0.566782
PBI(-12) COLONIAL Y0.059809
REPUBLICANO
-9.476457 0.0000 11

Slopes

SLOPE 1.158414 0.665501 1.740665 0.0834

Thresholds

THRESHOLD 6.077264 0.827323 7.345697 0.0000

R-squared 0.758050    Mean dependent var 4.425311


Adjusted R-squared 0.748945    S.D. dependent var 7.181755
S.E. of regression 3.598448    Akaike info criterion 5.439245
Sum squared resid 2408.483    Schwarz criterion 5.574002
Log likelihood -519.6068    Hannan-Quinn criter. 5.493812
F-statistic 83.25071    Durbin-Watson stat 1.593219
Prob(F-statistic) 0.000000

2
MINERÍA EN EL PERÚ COLONIAL Y REPUBLICANO 12
ESTAR:

Dependent Variable: PBI


Method: Smooth Threshold Regression
Transition function: Exponential
Date: 07/05/21 Time: 16:59
Sample: 2005M03 2021M04
Included observations: 194
Threshold variable: PBI(-3)
Starting values: Grid search with concentrated regression coefficients
Ordinary standard errors & covariance using outer product of gradients
Convergence achieved after 31 iterations

Variable Coefficient Std. Error t-Statistic Prob.  

Threshold Variables (linear part)

PBI(-1) 121719.1 1633306. 0.074523 0.9407


C -990391.6 13289805 -0.074523 0.9407

Threshold Variables (nonlinear part)

PBI(-1) -121718.2 1633306. -0.074523 0.9407


C 990395.6 13289805 0.074523 0.9407

Non-Threshold Variables

PBI(-2) 0.009794 0.076054 0.128777 0.8977


PBI(-12) -0.613497 0.054411 -11.27532 0.0000

2
Slopes

SLOPE 2322.875 2565.173 0.905543 0.3663

Thresholds

THRESHOLD 3.110536 0.012862 241.8458 0.0000

R-squared 0.794537    Mean dependent var 4.425311


Adjusted R-squared 0.786804    S.D. dependent var 7.181755
S.E. of regression 3.316041    Akaike info criterion 5.275783
Sum squared resid 2045.280    Schwarz criterion 5.410540
Log likelihood -503.7510    Hannan-Quinn criter. 5.330350
F-statistic 102.7530    Durbin-Watson stat 1.634109
Prob(F-statistic) 0.000000

MINERÍA EN EL PERÚ COLONIAL Y REPUBLICANO 13

2
MINERÍA EN EL PERÚ COLONIAL Y REPUBLICANO 14

También podría gustarte