9 Modelos Dinamicos

Capítulo 9
Modelos Dinámicos
9.1 Fundamentos.
Hasta ahora se maneja la suposición, de que los efectos de las variables en la
variable dependiente es instantanea. Pero esta situación no suele ser aplicable
en muchas situaciones y análisis de fenómenos económicos. Los efectos de en la
variable se suelen dispersar o distribuir a lo largo de un periodo de tiempo, de
modo que sus efectos no son inmediatos. Para tener en cuenta la distribución se
suelen introducir rezagos o desfasajes de la variable de la forma:
= ( , , ,…, ) (9.1.1)
− − −
A este tipo de modelos se los denomina modelos de rezagos distributivos. Nótese
que se incluyen rezagos, o desfases de la variable . Si se incluye uno o más
valores rezagados o desfasados de la variable , se dice que el modelo es
autoregresivo, es decir:
= ( , , ,…, ) (9.1.2)
− − −
La cuestión o problema principal, es conocer la longitud del rezago. Los modelos
con retardos distributivos infinitos, se basan en la idea en que los efectos duran
para siempre, mientras que los modelos de retardos distributivos finitos,
establecen que los efectos solo duran hasta cierto periodo.

9.2 Modelos con Retardos Distributivos Infinitos.
Un modelo con retardos distributivos infinitos, implica que está en función de
y todos sus valores pasados. Este tipo de modelos se puede representar por:
= + + − + − + ⋯+
(9.2.1)
= + − +
=
Donde podemos ver que la ecuación no especifica la longitud de los retardos,
entonces decimos que es un modelo con retardos distributivos infinitos. La
ecuación 9.2.1 es solo una representación, y es técnicamente imposible estimarlo,
ya que no se especifica la cantidad de retardos a estimar.
9.2.1 Rezagos Geométricos.
Una forma bastante común de representar y analizar los modelos con retardos o
rezagos infinitos, es suponer que los pesos de los retardos son positivos y decaen
geométricamente, es decir:
= | |<1 (9.2.2)
Gráficamente esto se ve de la siguiente manera:
.024
.020
.016
.012
.008
.004
.000
0 20 40 60 80 100 120 140 160 180 200 220 240
1 2 3
Figura 9.1
El parámetro es un factor de escala (un número común) y el parámetro es
menor a 1 en valor absoluto. En el grafico podemos notar que los pesos =
disminuyen geométricamente y se acercan a cero a medida que va creciendo. De
esta manera notamos, que los modelos que incluyen rezagos geométricos, otorgan
mayor peso al pasado más reciente.
Al utilizar la ecuación 9.2.2 y aplicar a 9.2.1, tenemos
= + ( + + + ⋯) + (9.2.3)
− −
Podemos ver que el modelo 9.2.3 tiene 2 parámetros a estimar y el factor de
escala que recoge la razón a la cual los pesos van disminuyendo. De igual
manera el modelo 9.2.3 sigue siendo difícil de estimar, puesto que se extiende
indefinidamente.
9.2.2 El Método de Koyck
Una forma de estimar modelos con retardos infinitos, es utilizar el método de
Koyck. Si todos los parámetros tienen el mismo signo, este método propone
que los rezagos se reducen geométricamente de la siguiente manera:
= = 0,1,2, … (9.2.4)
Donde 0 < < 1, que se conoce como tasa de descenso o decaída del rezago
distributivo. Vemos que para conocer el valor de algún parámetro , que
corresponde al rezago , lo único que necesitamos es el valor de . Teniendo en
cuenta lo postulado por Koyck, podemos escribir el modelo con retardos infinitos
de la siguiente manera:
= + + − + − + ⋯+ (9.2.5)
Pero este modelo aun no es adecuado para su estimación, por varios motivos.
El modelo 9.2.5 tiene un gran número (literalmente infinito) de parámetros por
estimar y el parámetro ingresa de forma no lineal. Para poder estimar este
modelo, Koyck sugiere rezagar un periodo la ecuación 9.2.5:
− = + − + − + − + ⋯+ − (9.2.6)
Ahora multiplicamos por a la ecuación anterior:
− = + − + − + − + ⋯+ −
(9.2.7)
= + − + − + − + ⋯+ −
Restamos 9.2.7 de 9.2.5 y obtenemos:
− − = − + + = − − (9.2.8)
Que al reordenar queda:
= (1 − ) + + + (9.2.9)
−
Este procedimiento se conoce como transformación de Koyck.
Ejemplo 9.1: En la siguiente tabla tenemos los datos de inventarios y ventas del
sector de industrias de los EEUU desde 1959 a 1978.
Año Inventarios Ventas Año Inventarios Ventas

1959 52.9 30.3 1969 98.2 53.5
1960 53.8 30.9 1970 101.7 52.8
1961 54.9 30.9 1971 102.7 55.9
1962 58.2 33.4 1972 108.3 63
1963 60 35.1 1973 124.7 73
1964 63.4 37.3 1974 157.9 84.8
1965 68.2 41 1975 158.2 86.6
1966 78 44.9 1976 170.2 98.8
1967 84.7 46.5 1977 180 110.8
1968 90.6 50.3 1978 198 124.7
Tabla 9.1
Establecemos una función en donde los inventarios están en función a las ventas y
sus respectivos retardos. En este caso vamos a utilizar la transformación de Koyck
para estimar:
= (1 − ) + + − +
Al estimar el modelo, con los datos de la tabla 9.1 se obtiene:
= 2.7128 + 0.9404 + 0.4686 −

(3.2929) (0.2311) (0.1553)
= 19 = 0.9884 (3,17) = 682.27 ̂ = 5.2727

( )
Esta es la función de inventarios a corto plazo. De esta función a corto plazo
debemos de tener en cuenta que ̂ es 0.4686. A partir de este valor podemos
calcular los valores de los retardos distributivos. Suponiendo que solo necesitamos
los 3 primeros entonces:
= 0.9404
= 0.9404(0.4686 ) = 0.44067
= 0.9404(0.4686 ) = 0.20649
= 0.9404(0.74686 ) = 0.09676
Al valor de recoge el efecto a corto y los valores , y recogen los efectos
a mediano plazo. El efecto a largo plazo, se obtiene de la siguiente manera:
1
= 0.9404
= 1 − 0.4686
= 1.769665
Un incremento sostenido de las ventas producirá al final un aumento de alrededor
de 1.769 en el valor de los inventarios pero su efecto a corto plazo es de solo
0.9404.
9.2.3 Algunas Cuestiones a Considerar
Con la transformación de Koyck, se violan algunos supuestos sobre los que se
sustenta el método de Mínimos Cuadrados Ordinarios. El problema se puede
notar en la ecuación 9.2.8, donde vemos que el error tiene la forma − − ,
lo que significa que los errores están correlacionados.
Otro problema que surge, es que al incluir − como variable explicativa, es
decir, a la derecha de la función, se debe de tener en cuenta que − y en
ecuación 9.2.8, estarán correlacionados. Esto hace que al aplicar MCO, se tengan
estimadores sesgados e inconsistentes.
En conclusión, estimar el modelo de Koyck por MCO pueden darnos resultados
erróneos, por lo que deberían buscarse otros métodos de estimación, como pueden
ser el método de variables instrumentales (VI) o el de máxima verosimilitud
(MV), pero estos temas ya no son abordados en este material.
9.3 Modelos con Retardos Distributivos Finitos.
Como anteriormente se estableció, los modelos con retardos distributivos finitos,
implican que el retardo o el desfasaje solo dura hasta cierto periodo de tiempo. En
este caso, establecemos la ecuación:
= + + − + − + ⋯+ − +
(9.3.1)
= + − +
=
En este modelo, es el intercepto o constante y es el peso de cada rezago. Al
igual que los modelos sin rezagos, podemos establecer que:
( ) (9.3.2)
=
−
Esto significa que refleja o mide los efectos de las variaciones de cierto rezago
(∆ − ) sobre los valores de .

Suponiendo que el modelo representa un modelo finito, ¿Cómo se puede estimar
este modelo? Si aplicamos directamente MCO, podemos obtener estimaciones
afectadas por multicolinealidad, lo que suele presentar muchos inconvenientes.
Ejemplo 9.2: Se tiene datos trimestrales de inversión y apropiación de capital de
las firmas de manufacturas (Archivo Dinamic.wf1). Suponemos un modelo con 8
periodos de rezago o desfase para la variable apropiación, de modo que:
= + − +
=
= + + − + − + ⋯+ − +
Al estimar el modelo con Eviews®, se obtiene el siguiente resultado:
Dependent Variable: Y
Method: Least Squares
Sample (adjusted): 9 88
Included observations: 80 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
C 33.41477 53.70858 0.622149 0.5359

X 0.038379 0.034673 1.106876 0.2721
X(-1) 0.067204 0.068513 0.980898 0.3300
X(-2) 0.181243 0.089357 2.028310 0.0463
X(-3) 0.194435 0.092538 2.101126 0.0392
X(-4) 0.169889 0.093117 1.824468 0.0723
X(-5) 0.052360 0.091771 0.570557 0.5701
X(-6) 0.052461 0.093853 0.558969 0.5780
X(-7) 0.056178 0.094148 0.596695 0.5526
X(-8) 0.127079 0.059834 2.123868 0.0372
R-squared 0.993423 Mean dependent var 4532.487

Adjusted R-squared 0.992577 S.D. dependent var 2178.082
S.E. of regression 187.6539 Akaike info criterion 13.42354
Sum squared resid 2464980. Schwarz criterion 13.72130
Log likelihood -526.9418 Ha|nnan-Quinn criter. 13.54292
F-statistic 1174.768 Durbin-Watson stat 0.416099
Prob(F-statistic) 0.000000
Tabla 9.1
Vemos que la mayoría de los rezagos no pasan la prueba de hipótesis, los retardos
2, 3 y 8 son los únicos que son significativos. Además se tiene un bastante
alto, lo que supone la presencia de multicolinealidad en el modelo.
9.2.1 Rezago Aritmético de Fisher
Irving Fischer propuso que los rezagos disminuyen linealmente en la siguiente
forma:
= ( + 1)
=
(9.2.3)
= ( − 1)
⋮
=
Debemos de tener en cuenta que > 0 lo que significa que su valor debe ser
positivo. El efecto de cada rezago va disminuyendo linealmente en la cantidad
adoptada por en cada periodo, hasta desaparecer totalmente.
280
( + 1)
240
( − 1)200
160
120
80
40
200 1 400 2 600 800 1,000 1,200
+1
Figura 9.1
Supongamos que tenemos un modelo, donde los valores de están en función
y de sus 4 primeros retardos. En este caso, la ecuación se modeliza de la siguiente
manera:
= + − +
=
= + + − + − + − + − +
Al incluir los = 4 rezagos, se pierden 4 cuatros observaciones, de modo que el
modelo solo tiene = 5, 6, … , . Al aplicar las restricciones de 9.2.3 se tiene:
= + (5 ) + (4 ) − + (3 ) − + (2 ) − +( ) − +
Al agrupar:
= + (5 +4 − +3 − +2 − + − )+
= + +
Donde:
= 5 +4 − +3 − +2 − + −
Con esta restricción, el modelo con 4 rezagos puede ser estimado mediante MCO.
Ejemplo 9.2: Usando los datos de inversión y apropiación de capital de las
firmas de manufacturas, aplicamos la técnica de Fisher, pero primero debemos de
general una variable :
= 9 +8 − +7 − +6 − +5 − +4 − +3 − +2 − + −
Una vez construida la variable se procede a estimar el parámetro con:

C 289.6428 76.38835 3.791714 0.0003

Z 0.018980 0.000305 62.22560 0.0000

Log likelihood -570.9172 Hannan-Quinn criter. 14.34681
Tabla 9.2
Con el valor estimado ̂ = 0.018980, podemos calcular los parámetros a :
= (8 + 1) = 9(0.018980) = 0.17082
= 8 = 8(0.018980) = 0.15184
= (8 − 1) = 7(0.018980) = 0.13286
= (8 − 2) = 6(0.018980) = 0.11388
= (8 − 3) = 5(0.018980) = 0.0949
= (8 − 4) = 4(0.018980) = 0.07592
= (8 − 5) = 3(0.018980) = 0.05694
= (8 − 6) = 2(0.018980) = 0.03796
= (8 − 7) = (0.018980) = 0.01898
Si graficamos los valores podemos ver que los retardos van disminuyendo de
forma lineal.
.20
0.17082
.16 0.15184
0.13286
.12 0.11388
0.0949
.08 0.07592
0.05694
.04 0.03796
0.01898
.00
1 2 3 4 5 6 7 8 9
Figura 9.2
De este modo se tiene las estimaciones de los parámetros del modelo propuesto,
sin multicolinealidad por que solo se estimo una variable . Sin embargo el
problema de autocorrelacion ahora resulta ser un problema, nótese que se han
calculado los parámetros sin tener en cuenta la autocorrelacion, lo que significa
que los parámetros que calculamos, podrían estar sesgados, pero por cuestiones
didácticas y de simpleza, no tenemos en cuenta este problema. Pero si queremos
obtener resultados satisfactorios, deberíamos corregir primero el problema de
autocorrelacion.
9.2.2 Retardo en V Invertida de DeLeeuw.
Otro método de estimación de modelos con retardos distributivos finitos, es el
propuesto por Frank DeLeeuw1. En este caso, DeLeeuw supone que los efectos de
los rezagos o desfases van creciendo hasta alcanzar un máximo, para luego
disminuir y desaparecer en el tiempo, formando de esa forma una estructura
1
Frank DeLeuuw. “The Demand for Capital Good by Manufacturers, A Study of Quaterly Time
Series”. Econometrica, Vol. 30, Pag. 407-423, 1962
parecida a una V invertida. En el siguiente grafico podemos ver la forma que
puede tener:
280
240
2
200
160
120
80
40
200 0 4001 2600 3 800 4 1,000 1,200
Figura 9.3
El punto máximo esta en retardo ⁄2 donde es el número de retardos a incluir,
y el modelo a estimar tiene la forma:
⁄
= + − + ( − ) − + (9.2.8)
= ( ⁄ )+
Si suponemos un modelo que incluye 4 retardos en :
= + − + (4 − ) −
= =
= +
En donde la variable contiene:
= − +2 − + −
Para obtener las estimaciones de los parámetros:
= +
= + ( − +2 − + − )
Ejemplo 9.3: Con los mismos datos del ejemplo anterior ahora utilizamos la
técnica de DeLeeuw para estimar el modelo con 8 rezagos. La estructura del
modelo seria:
= + − + (8 − ) −
= =
= +
Ahora creamos la variable :
= − +2 − +3 − +4 − +3 − +2 − + −
Una vez construida la variable, con Eviews®, obtenemos el siguiente resultado:
C 55.54193 55.70005 0.997161 0.3217

Z 0.058735 0.000662 88.72186 0.0000

Tabla 9.3
Para obtener los parámetros de los rezagos:
= 55.54193 + 0.058735
= 55.54193 + 0.058735( − +2 − +3 − +4 − +3 − +2 − + − )
Con el valor estimado ̂ = 0.058735, podemos calcular los parámetros a :

= 0.058735(1) = 0.058735
= 0.058735(2) = 0.117470
= 0.058735(3) = 0.176205
= 0.058735(4) = 0.234940
= 0.058735(3) = 0.176205
= 0.058735(2) = 0.117470
= 0.058735(1) = 0.058735
Si graficamos los valores podemos la forma de V invertida que sugiere DeLeeuw
en su propuesta.
.24
0.23494
.20
0.176205 0.176205
.16
.12 0.11747 0.11747
.08
0.058735 0.058735
.04
1 2 3 4 5 6 7
Figura 9.4
El método de DeLeuuw suele suponer que el parámetro de es igual a 0 al
igual que el parámetro del último rezago , por eso solemos obtener resultados
confusos con este método. De nuevo, no tuvimos en cuenta el problema de
autocorrelacion, por lo que los resultados que se obtuvieron deben manejarse con
cautela, ya que estos resultados pueden estar sesgados.

9.2.3 Rezago Polinomial de Almon
El modelo de rezago polinomial, establece que el modelo de rezago aritmético, es
un caso especial de un rezago polinomial. Shirley Almon2, propone representar y
formular los pesos de los retardos, mediante una función polinomica de orden
inferior (no muy alto). En este caso suponemos que los pesos se pueden estimar
mediante:
= + + (9.2.9)
Los pesos de los retardos suelen aumentar hasta cierto punto, para luego ir
disminuyendo. El grado del polinomio a utilizar suele ser una cuestión que se
resuelve con algunas regresiones auxiliares, que por el momento se omite.
280
240
200
160
120
80
40
200 0 4001 2600 3 800 4 1,000 1,200
Figura 9.5
Supongamos que tenemos un modelo de rezagos distributivos y que imponemos 4
rezagos en la variable . Primero establecemos el grado del polinomio que se
utilizara para establecer los valores de los pesos. Por cuestiones didácticas y por
2
Almon, S. (1965), “The Distributed Lag Between Capital Appropriations and Net Expenditures,”
Econometrica, 30: 407–423.
simplicidad utilizamos una especificación de un polinomio de grado 2. Entonces
para los 4 rezagos, los pesos se obtienen mediante:
= 0 +0
= + + +1
= +2 +4 2 +2
= +3 +9 3 +3
= +4 + 16 4 +4
Al aplicar los resultados a un modelo que incluye 4 retardos de la variable , se
tiene:
= +( ) +( + + ) − +( +2 +4 ) − +
⋱
+( +3 +9 ) − + ( + 4 + 16 ) − +
Que al resolver tenemos:
= + + − + − + − + − +2 − +
⋱
+4 − + − +3 − +9 − + − +4 − +
⋱
+ 16 − +
Ahora construimos las siguientes variables , donde en se incluirán las
variables que acompañan a , se incluirán las variables que acompañan a
y por ultimo se incluirán las variables que acompañan a , de modo que:
= + − + − + − + −
= − +2 − +3 − +4 −
= − +4 − +9 − + 16 −
Una vez construidas las variables se puede aplicar el método de MCO para
estimar el modelo siguiente:

= + + + +
Ejemplo 9.4: Con los datos trimestrales de inversión y apropiación de capital de
las firmas de manufacturas y suponiendo 8 retardos, aplicamos la técnica de
Almon para estimar: Primero debemos de generar cada una variable :
= + − + − + − + − + ⋯+ −
= − +2 − +3 − +4 − + ⋯+ 8 −
= − +4 − +9 − + 16 − + ⋯ + 64 −
Entonces el modelo a estimar con las variables , da como resultado:
C 51.57253 53.16424 0.970061 0.3351

Z0 0.067168 0.015227 4.411190 0.0000
Z1 0.038180 0.012795 2.983886 0.0038
Z2 -0.005128 0.001625 -3.156107 0.0023

Tabla 9.4
Podemos ver que las variables son todas significativas. La cuestión a analizar,
es el valor de Durbin-Watson que indica la presencia de errores
autocorrelacionados positivamente. Esta cuestión por el momento omitimos, para
no alargar el análisis.
Para obtener el valor del peso o parámetro se debe tener en cuenta a la ecuación
9.2.9, de esa forma el parámetro de − :
̂ = ( + + )
− −
= [0.067168 + 0.038180 + (−0.005128)] −
= 0.10022 −
Del segundo retardo:
̂ = ( +2 +4 )
− −
= [0.067168 + 2(0.038180) + 4(−0.005128)] −
= 0.123016 −
Del tercer retardo:
̂ = ( +3 +9 )
− −
= [0.067168 + 3(0.038180) + 9(−0.005128)] −
= 0.135556 −
Del cuarto retardo:
̂ = ( +4 + 16 )
− −
= [0.067168 + 4(0.038180) + 16(−0.005128)] −
= 0.13784 −
Del quinto retardo:
̂ = ( +5 + 25 )
− −
= [0.067168 + 5(0.038180) + 25(−0.005128)] −
= 0.129868 −
Del sexto retardo:
̂ = ( +6 + 36 )
− −
= [0.067168 + 6(0.038180) + 36(−0.005128)] −
= 0.11164 −
Del séptimo retardo:
̂ = ( +7 + 49 )
− −
= [0.067168 + 7(0.038180) + 49(−0.005128)] −
= 0.083156 −
Del octavo retardo:
̂ = ( +8 + 64 )
− −
= [0.067168 + 8(0.038180) + 64(−0.005128)] −
= 0.044416 −
Al graficar los valores tenemos:
.14 0.13784
0.135556
0.129868
0.12306
.12
0.11164
0.10022
.10
0.083156
.08
.06 0.067168
0.044416
.04
1 2 3 4 5 6 7 8 9
Figura 9.6
Por suerte Eviews®, incorpora una función para estimar este tipo de modelos,
utilizando el comando PDL, que son las siglas de Polynomial Distributed Lags, al
utilizar este comando obtenemos prácticamente los mismos resultados.
C 51.57253 53.16424 0.970061 0.3351

PDL01 0.137846 0.010721 12.85697 0.0000
PDL02 -0.002841 0.001587 -1.789976 0.0774
PDL03 -0.005128 0.001625 -3.156107 0.0023

Lag Distribution of X i Coefficient Std. Error t-Statistic
. * | 0 0.06717 0.01523 4.41119

. * | 1 0.10022 0.00511 19.5968
. * | 2 0.12302 0.00541 22.7408
. *| 3 0.13556 0.00941 14.4013
. *| 4 0.13785 0.01072 12.8570
. *| 5 0.12988 0.00908 14.3058
. * | 6 0.11165 0.00534 20.9195
. * | 7 0.08318 0.00735 11.3228
. * | 8 0.04444 0.01797 2.47277
Sum of Lags 0.93296 0.01147 81.3345
Tabla 9.5
El comando PDL utiliza la sintaxis PDL(Serie, Numero de retardos, Grado de
polinomio). Para elegir el grado del polinomio se suele sugerir probar con distintos
valores y utilizar aquel que minimice los criterios de selección (Akaike o SC) y
que tenga un buen ajuste.

9.2.3 Criterios de Selección (Longitud y Grados de Polinomios)
Hasta ahora, la longitud de los retardos era especificada de forma arbitraria. No
hay una respuesta clara a este problema, pero a veces la teoría económica puede
dar una mano, pero existen algunos criterios que nos ayudan a establecer la
longitud correcta de los retardos:
1º. Maximizar el valor de ;
2º. Minimizar el criterio AIC de Akaike;
3º. Minimizar el criterio SC de Schwarz.
9.2.3.1 Selección de Longitud de Retardos
Pindyck & Rubinfeld, sugieren utilizar el valor , agregando rezagos adicionales
hasta que el valor de deje de incrementarse. Otro criterio bastante utilizado es
el AIC de Akaike, que se calcula por:
∑= 2 (9.2.10)
= +
El número de rezagos se incluye hasta que el valor AIC alcance su valor mínimo.
Otro criterio también bastante utilizado es el de SC de Schwarz, que se calcula
por:
∑= ( ) (9.2.11)
= +
Este estadístico, también penaliza la inclusión de variables o rezagos en nuestro
caso, y se basa en la misma lógica del AIC. La mayoría de los autores insisten en
que estos criterios, no proporcionan una prueba estadística clara para comparar
los modelos, pero coinciden en que junto con la teoría y con la información previa
que se tenga sobre el comportamiento de las variables económicas, se pueden
convertir en una herramienta válida para construcción de modelos dinámicos
correctos.
las firmas de manufacturas, hasta ahora hemos dado por hecho la estimación con
8 retardos en la variable apropiación de capital. Como se estuvo explicando la
elección del número de retardos se puede basar en la teoría o en los estadísticos
que se presentaron anteriormente. En la siguiente tabla se tiene el numero de
retardos, con sus correspondientes valores de , y .
Retardos
0 0.8825 16.1085 16.1648
1 0.9291 15.6141 15.6991
2 0.9607 15.0346 15.1487
3 0.9779 14.4678 14.6114
4 0.9857 14.0388 14.2124
5 0.9893 13.7616 13.9656
6 0.9913 13.5601 13.7949
7 0.9922 13.4527 13.7188
8 0.9925 13.4235 13.7213
9 0.9924 13.4418 13.7717
Tabla 9.6
Esto también se puede ver de forma grafica:
16.5
16.0
15.5
SC
15.0
14.5
14.0
13.5
0 2 4 6 8 10
Retardo
Figura 9.7
16.5
16.0
15.5
AIC 15.0
14.5
14.0
13.5
13.0
0 2 4 6 8 10
Retardo
Figura 9.8
Vemos que en el retardo 8 se maximiza el valor de y se minimiza el valor
de Akaike, mientras que si nos fijamos en el valor de vemos que su valor se
minimiza en el retardo 7. Podemos establecer que la cantidad de retardos
adecuado, están entre 7 y 8, en nuestro, optamos por 8 retardos.
9.2.3.2 Selección del Grado de Polinomio.
Una vez solucionado la longitud de los retardos, queda la duda de que grado de
polinomio se debería usar, en el caso de que se decida por el criterio de Almon.
Esta cuestión parece ser un poco menos complicada, ya que esto se puede
solucionar mediante algunas regresiones auxiliares, no tan complicadas.
Tenemos en cuenta si los valores son significativamente diferentes de cero a
cierto grado de polinomio, por ejemplo, si se especifica un polinomio de 3 grado,
entonces:
= + + + + +
Si ̂ es significativamente diferente de cero, entonces es un polinomio de grado 3.

En cambio, si ̂ es significativo y ̂ no lo es, entonces un polinomio de grado 2
es el indicado.
las firmas de manufacturas, ya hemos establecido que utilizaremos 8 retardos,
ahora la cuestión es averiguar el grado de polinomio. Empezamos probando con
un polinomio de grado 4, cuyo resultado es:
C 37.87884 52.11274 0.726863 0.4696

PDL01 0.160056 0.026040 6.146576 0.0000
PDL02 -0.044974 0.016641 -2.702592 0.0085
PDL03 -0.019253 0.013186 -1.460088 0.1485
PDL04 0.003710 0.001459 2.542949 0.0131
PDL05 0.000922 0.000810 1.139119 0.2583

Tabla 9.8
Vemos que el parámetro PDL05, que corresponde a ̂ no es significativo,
entonces descartamos que sea un polinomio de grado 4. En cambio vemos que
PDL04, si es significativo, entonces podemos sospechar de que un polinomio de
grado 3 puede ser el indicado. Al ajustar el modelo con 8 retardos y un polinomio
de grado de 3, obtenemos el resultado de la tabla 9.9. Vemos que todos los
parámetros son significativos, inclusive si comparamos con los resultados de
utilizar un polinomio de grado 2, vemos que se ha mejorado en cuanto a
significancia estadística.
C 45.14717 51.82315 0.871178 0.3864

PDL01 0.132977 0.010651 12.48504 0.0000
PDL02 -0.038398 0.015639 -2.455342 0.0164
PDL03 -0.004345 0.001618 -2.685708 0.0089
PDL04 0.003130 0.001370 2.284864 0.0251

Lag Distribution
of X i Coefficient Std. Error t-Statistic
.* | 0 0.01672 0.02659 0.62865

. * | 1 0.12455 0.01175 10.5959
. *| 2 0.16735 0.02011 8.32382
. *| 3 0.16390 0.01542 10.6286
. * | 4 0.13298 0.01065 12.4850
. * | 5 0.09336 0.01826 5.11276
. * | 6 0.06384 0.02156 2.96088
. * | 7 0.06319 0.01130 5.59266
. * | 8 0.11018 0.03367 3.27213
Sum of Lags 0.93607 0.01125 83.2232
Tabla 9.9
En el ejemplo hemos optado por el polinomio de grado de 2 por su simpleza y su
fácil calculo, pero ahora ya sabemos que debería ser de grado de 3. En resumen el
modelo que estuvimos analizando, debe incluir 8 retardos de la variable
apropiación de capital. Si se utiliza el método de Almon, que es el más indicado
para estos casos, se debe ajustar a un polinomio de grado 3, cuyos resultados ya
tenemos a la vista. Tenga en cuenta que deben cuidarse los detalles del modelo,
en cuanto al comportamiento de los errores.

Referencias.
 Econometría. R. Carter Hill, William E. Griffiths & George G. Judge.
Saraiva. 2000
 Introducción a la Econometría. G.S. Maddala. Prentice Hall. 1996
 Principios de Econometría. Damodar N. Gujarati. McGraw-Hill. 2006
 Métodos de Econometría. J. Johnston. Vicens Vives. 1975
 Econometría. Modelos y Pronósticos. Robert S. Pindyck & Daniel L.
Rubinfeld. McGraw-Hill. 2001
 Econometría Avanzada. Técnicas y Herramientas. Cesar Pérez López.
Pearson. 2008
 Econometrics. Badi H. Baltagui. Springer. 2011
 Cien Ejercicios de Econometría. J. Bernardo Pena Trapero, Julio A.
Estavillo Dorado, María Esther Galindo Frutos, María José Leceta Rey &
María del Mar Zamora Sanz. Piramide. 1999

Idioma

9 Modelos Dinamicos

Cargado por

Información del documento

Derechos de autor

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

9 Modelos Dinamicos

Cargado por

Copyright:

Capítulo 9

Hasta ahora se maneja la suposición, de que los efectos de las variables en la

variable dependiente es instantanea. Pero esta situación no suele ser aplicable

en muchas situaciones y análisis de fenómenos económicos. Los efectos de en la

variable se suelen dispersar o distribuir a lo largo de un periodo de tiempo, de

suelen introducir rezagos o desfasajes de la variable de la forma:

A este tipo de modelos se los denomina modelos de rezagos distributivos. Nótese

que se incluyen rezagos, o desfases de la variable . Si se incluye uno o más

valores rezagados o desfasados de la variable , se dice que el modelo es

La cuestión o problema principal, es conocer la longitud del rezago. Los modelos

para siempre, mientras que los modelos de retardos distributivos finitos,

establecen que los efectos solo duran hasta cierto periodo.

Un modelo con retardos distributivos infinitos, implica que está en función de

Donde podemos ver que la ecuación no especifica la longitud de los retardos,

entonces decimos que es un modelo con retardos distributivos infinitos. La

ecuación 9.2.1 es solo una representación, y es técnicamente imposible estimarlo,

ya que no se especifica la cantidad de retardos a estimar.

9.2.1 Rezagos Geométricos.

Gráficamente esto se ve de la siguiente manera:

menor a 1 en valor absoluto. En el grafico podemos notar que los pesos =

disminuyen geométricamente y se acercan a cero a medida que va creciendo. De

mayor peso al pasado más reciente.

Al utilizar la ecuación 9.2.2 y aplicar a 9.2.1, tenemos

Podemos ver que el modelo 9.2.3 tiene 2 parámetros a estimar y el factor de

9.2.2 El Método de Koyck

Una forma de estimar modelos con retardos infinitos, es utilizar el método de

que los rezagos se reducen geométricamente de la siguiente manera:

distributivo. Vemos que para conocer el valor de algún parámetro , que

corresponde al rezago , lo único que necesitamos es el valor de . Teniendo en

estimar y el parámetro ingresa de forma no lineal. Para poder estimar este

modelo, Koyck sugiere rezagar un periodo la ecuación 9.2.5:

Ahora multiplicamos por a la ecuación anterior:

Restamos 9.2.7 de 9.2.5 y obtenemos:

Que al reordenar queda:

Este procedimiento se conoce como transformación de Koyck.

sector de industrias de los EEUU desde 1959 a 1978.

Año Inventarios Ventas Año Inventarios Ventas

sus respectivos retardos. En este caso vamos a utilizar la transformación de Koyck

Al estimar el modelo, con los datos de la tabla 9.1 se obtiene:

= 2.7128 + 0.9404 + 0.4686 −

= 19 = 0.9884 (3,17) = 682.27 ̂ = 5.2727

Esta es la función de inventarios a corto plazo. De esta función a corto plazo

debemos de tener en cuenta que ̂ es 0.4686. A partir de este valor podemos

los 3 primeros entonces:

Al valor de recoge el efecto a corto y los valores , y recogen los efectos

a mediano plazo. El efecto a largo plazo, se obtiene de la siguiente manera:

Un incremento sostenido de las ventas producirá al final un aumento de alrededor

de 1.769 en el valor de los inventarios pero su efecto a corto plazo es de solo

Con la transformación de Koyck, se violan algunos supuestos sobre los que se

sustenta el método de Mínimos Cuadrados Ordinarios. El problema se puede

notar en la ecuación 9.2.8, donde vemos que el error tiene la forma − − ,

lo que significa que los errores están correlacionados.

Otro problema que surge, es que al incluir − como variable explicativa, es

decir, a la derecha de la función, se debe de tener en cuenta que − y en

estimadores sesgados e inconsistentes.

En conclusión, estimar el modelo de Koyck por MCO pueden darnos resultados

ser el método de variables instrumentales (VI) o el de máxima verosimilitud

(MV), pero estos temas ya no son abordados en este material.

9.3 Modelos con Retardos Distributivos Finitos.

Como anteriormente se estableció, los modelos con retardos distributivos finitos,

este caso, establecemos la ecuación:

En este modelo, es el intercepto o constante y es el peso de cada rezago. Al

igual que los modelos sin rezagos, podemos establecer que:

(∆ − ) sobre los valores de .

este modelo? Si aplicamos directamente MCO, podemos obtener estimaciones

afectadas por multicolinealidad, lo que suele presentar muchos inconvenientes.