Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Múltiples
Jhonny Moncada Mesa
1
Transcripción del trabajo de
Elkin Castaño y Guillermo Pérez
Introducción
Anteriormente se desarrollaron los modelos univariados
autorregresivos, en los cuales se modela una variable escalar en
términos de sus propios valores pasados.
El proceso AR(p) está definido como
2
Introducción
Dado un vector columna de 𝑘 variables aleatorias 𝐲t =
[𝑦1𝑡 𝑦2𝑡 … 𝑦𝑘𝑡 ]′ , un proceso VAR(p) o proceso Autorregresivo
Vectorial de orden p está dado por
4
Autorregresiones Vectoriales (VAR)
o, explícitamente
𝑦1𝑡 = 𝑚1 + 𝑎11 𝑦1𝑡−1 + 𝑎12 𝑦2𝑡−1 + 𝜀1𝑡
𝑦2𝑡 = 𝑚2 + 𝑎21 𝑦1𝑡−1 + 𝑎22 𝑦2𝑡−1 + 𝜀2𝑡
5
Autorregresiones Vectoriales (VAR)
0 𝛀 𝑡=𝑠
𝐸 𝜺𝑡 = = 𝟎 𝑡 = 1,2, … , 𝑛 y 𝐸 𝜀𝑡 𝜀𝑠 = ቊ
′
0 𝟎 𝑡≠𝑠
𝜎11 𝜎12
y donde 𝛀 = 𝜎
21 𝜎22
6
Autorregresiones Vectoriales (VAR)
7
Autorregresiones Vectoriales (VAR)
8
Autorregresiones Vectoriales (VAR)
9
Autorregresiones Vectoriales (VAR)
10
Autorregresiones Vectoriales (VAR)
𝑨𝑪 = 𝑪𝚲
12
Autorregresiones Vectoriales (VAR)
𝑪−1 𝑨𝑪 = 𝜦 y 𝑨 = 𝑪𝜦𝑪−1
Ahora, considere un nuevo vector de variables 𝒛𝑡 , tal que
𝒛𝑡 = 𝑪−1 𝒚𝑡 ó 𝒚𝑡 = 𝑪𝒛𝑡
13
Autorregresiones Vectoriales (VAR)
15
Autorregresiones Vectoriales (VAR)
17
Autorregresiones Vectoriales (VAR)
19
Autorregresiones Vectoriales (VAR)
20
Autorregresiones Vectoriales (VAR)
𝒄 2 𝒚𝑡 = 𝑧1𝑡 𝒄 2 𝒄1 + 𝑧2𝑡 𝒄 2 𝒄2
Dado que para matrices no singulares, tal como 𝑪 , se debe
cumplir que 𝒄 2 𝒄1 = 0 y 𝒄 2 𝒄2 = 1, se puede concluir que
𝒄 2 𝒚𝑡 = 𝑧2𝑡
22
Autorregresiones Vectoriales (VAR)
23
Autorregresiones Vectoriales (VAR)
24
Autorregresiones Vectoriales (VAR)
0 0 0 0 𝒄 1
𝚷=𝑪 𝑪−1 = 𝒄1 𝒄2
0 1 − 𝜆2 0 1 − 𝜆2 𝒄 2
1
= 𝟎 1 − 𝜆2 𝒄2 𝒄 = 1 − 𝜆 𝒄 𝒄 2 = 1− 𝜆 𝒄 𝒄 2
2 2 2 2
𝒄2
La matriz 𝚷 ha sido factorizada como el producto de un vector
columna, 1 − 𝜆2 𝒄2 , y un vector fila, 𝒄 2 .
El vector fila 𝒄 2 es denominado el vector de cointegración y el
vector columna 1 − 𝜆2 𝒄2 muestra el peso con el cual la relación
de cointegración entra en la ecuación del VAR reparametrizado.
25
Autorregresiones Vectoriales (VAR)
𝑚1 𝑧1𝑡−1 𝜀1𝑡
= 𝑚 − 𝟎 1 − 𝜆2 𝒄2 𝑧2𝑡−1 + 𝜀2𝑡
2
Por lo tanto
Δ𝑦1𝑡 = 𝑚1 − 𝑐12 1 − 𝜆2 𝑧2𝑡−1 + 𝜀1𝑡
Δ𝑦2𝑡 = 𝑚2 − 𝑐22 1 − 𝜆2 𝑧2𝑡−1 + 𝜀2𝑡
26
Autorregresiones Vectoriales (VAR)
donde
2 21 22
𝑦1𝑡
𝑧2𝑡 = 𝒄 𝒚𝑡 = 𝑐 𝑐 𝑦2𝑡 ~𝐼(0)
Esta presentación del VAR es expresada en términos de niveles y
primeras diferencias, todas las cuales son 𝐼(0).
Esta reparametrización del VAR(1) es llamada el Modelo de
Corrección de Error (ECM).
27
Autorregresiones Vectoriales (VAR)
1.2 − 𝜆 −0.2
=0 28
0.6 0.4 − 𝜆
Autorregresiones Vectoriales (VAR)
29
Autorregresiones Vectoriales (VAR)
30
Autorregresiones Vectoriales (VAR)
𝑧𝑡 = 𝑦1𝑡 − 𝑦2𝑡 32
Autorregresiones Vectoriales (VAR)
33
Autorregresiones Vectoriales (VAR)
−2
𝒄1 =
1
Aunque 𝑨 no puede ser diagonalizada, es posible encontrar una
matriz no singular 𝑷 tal que
34
Autorregresiones Vectoriales (VAR)
𝑷−𝟏 𝑨𝑷 = 𝑱 ó 𝑨 = 𝑷𝑱𝑷−𝟏
donde
𝜆 1
𝑱=
0 𝜆
𝑱 es llamada la matriz de Jordan para un valor propio 𝜆 de
multiplicidad 2.
35
Autorregresiones Vectoriales (VAR)
37
Autorregresiones Vectoriales (VAR)
38
Autorregresiones Vectoriales (VAR)
40
Autorregresiones Vectoriales (VAR)
−2 8 −1 −0.1 0.8
𝑷= 𝑷 =
1 1 0.1 0.2
42
Autorregresiones Vectoriales (VAR)
43
Autorregresiones Vectoriales (VAR)
44
Autorregresiones Vectoriales (VAR)
45
Autorregresiones Vectoriales (VAR)
46
Autorregresiones Vectoriales (VAR)
49
Autorregresiones Vectoriales (VAR)
= 𝑢2 𝒄2 𝑢3 𝒄3 𝒄(2) = 𝜶𝜷′
𝒄(3) 50
Autorregresiones Vectoriales (VAR)
52
Autorregresiones Vectoriales (VAR)
53
Autorregresiones Vectoriales (VAR)
𝑷−1 𝑨𝑷 = 𝑱 ó 𝑨 = 𝑷𝑱𝑷−1
donde la matriz 𝑷 de Jordan es
1 1 0
𝑱= 0 1 0
0 0 𝜆3
54
Autorregresiones Vectoriales (VAR)
58
Autorregresiones Vectoriales (VAR)
60
Autorregresiones Vectoriales (VAR)
61
Autorregresiones Vectoriales (VAR)
62
Autorregresiones Vectoriales (VAR)
63
Autorregresiones Vectoriales (VAR)
66
Autorregresiones Vectoriales (VAR)
70
Estimación de un Modelo VAR
73
Estimación de un Modelo VAR
74
Estimación de un Modelo VAR
75
Estimación de un Modelo VAR
77
Estimación de un Modelo VAR
79
Estimación de un Modelo VAR
Función de impulso-respuesta
Consideremos el VAR(1) con 𝑘 = 2 y 𝒎 = 𝟎 dado por
Función de impulso-respuesta
Por lo tanto una perturbación en las innovaciones en los
modelos VAR produce una reacción en cadena a través del
tiempo sobre todas las variables del VAR.
La función de impulso–respuesta calcula todos estos
efectos.
86
Estimación de un Modelo VAR
Función de impulso-respuesta
Ejemplo.
Considere un sistema de primer orden definido por 𝒚𝑡 = 𝑨𝒚𝑡−1 +
𝜺𝑡 , donde 𝒎 = 𝟎 y
0.4 0.1 16 14
𝑨= 𝛀=
0.2 0.5 14 25
Primero que todo, se chequea si los valores propios de 𝑨
satisfacen la condición de estacionaridad, debido a que tiene
poco interés estudiar las funciones de impulso respuesta en
sistemas no estacionarios.
Los valores propios de 𝑨 son 𝜆1 = 0.6 y 𝜆2 = 0.3 , los cuales
satisfacen la condición de estacionaridad. 87
Estimación de un Modelo VAR
Función de impulso-respuesta
Ejemplo.
Sea 𝒚0 = 𝟎 y suponga que 𝜺1 = 4 0 ′ . Para el primer período
este vector asigna a la primera ecuación una innovación de
tamaño igual a su desviación estándar, y una innovación de cero
en la segunda.
Adicionalmente suponga que las dos innovaciones son cero a partir
del período 2. Entonces, los primeros valores de 𝒚 están dados
por
4
𝒚1 =
0
0.4 0.1 4 0 1.6
𝒚2 = 𝑨𝒚1 + 𝜺2 = + =
0.2 0.5 0 0 0.8 88
0.72
𝒚3 = 𝑨𝒚1 =
0.72
Estimación de un Modelo VAR
Función de impulso-respuesta
Ejemplo.
Las siguientes tablas contienen las funciones impulso respuesta en
los primeros cinco períodos para una perturbación de una
desviación estándar en la primera ecuación y de una desviación
estándar en la segunda ecuación.
89
Estimación de un Modelo VAR
Innovaciones Ortogonales
Uno de los problemas que se presenta con el cálculo de la
función impulso-respuesta es que las innovaciones en el VAR
están en, general, contemporáneamente correlacionadas, por lo
tanto el que una innovación sufra un choque y la otra no, no es
posible.
Es decir, si una innovación es perturbada, entonces las otras
también serán afectadas.
Una solución a este problema es transformar las innovaciones
de tal forma que las nuevas innovaciones sean ortogonales.
También es usual definir, por conveniencia, que las nuevas
innovaciones tengan varianza unitaria.
90
Estimación de un Modelo VAR
Innovaciones Ortogonales
Considere el caso para 𝑘 = 2.
Sea 𝒖 = 𝑢1 𝑢2 ′ el vector con las innovaciones ortogonales, y
sea 𝑢1 = 𝑏11 𝜀1 .
Para que su varianza sea unitaria se debe dar que 𝑏11 = 1/𝑠1 ,
donde 𝑠1 es la desviación estándar muestral de 𝜀1 .
Para obtener a 𝑢2 se sigue el siguiente procedimiento.
Primero, se ajusta la regresión de 𝜀2 sobre 𝜀1 , es decir, obtenga
la regresión ajustada 𝜀2 = 𝑏21 𝜀1 + 𝑟𝑒𝑠.
A continuación se obtienen los residuales 𝑢2∗ = 𝜀2 − 𝑏21 𝜀1 .
91
Estimación de un Modelo VAR
Innovaciones Ortogonales
Se sabe que estos residuales no están correlacionados con 𝜀1 y
por lo tanto tampoco con 𝑢1 .
Denotando el error estándar de esta regresión por 𝑠2.1 se tiene
que 𝑢2 = 𝑢∗ /𝑠2.1 tendrá varianza unitaria y no estará
correlacionada con 𝑢1 .
Esta transformación se resume de la siguiente forma
𝒖𝑡 = 𝑷𝜺𝑡 o 𝜺𝑡 = 𝑷−1 𝒖𝑡
donde 𝒖𝑡 = 𝑢1𝑡 𝑢2𝑡 ′ , 𝜺𝑡 = 𝜀1𝑡 𝜀2𝑡 ′ y donde la matriz 𝑷 es tal
que
92
Estimación de un Modelo VAR
Innovaciones Ortogonales
1/𝑠1 0 𝑠1 0
𝑷= 𝑷−1 =
−𝑏2.1 /𝑠2.1 1/𝑠2.1 𝑏2.1 𝑠1 𝑠2.1
La matriz de varianzas y covarianzas muestral para las 𝑢’𝑠 será
1/𝑛 σ𝑛𝑡=1 𝑢𝑡 𝑢𝑡′ .
Luego, como 𝒖𝑡 = 𝑷𝜺𝑡 se obtiene que
𝑛 𝑛
1 1
′
𝑢𝑡 𝑢𝑡 = 𝑷 ′
𝜺𝑡 𝜺′𝑡 𝑷′ = 𝑷𝛀𝑷
𝑛 𝑛
𝑡=1 𝑡=1
93
Estimación de un Modelo VAR
Innovaciones Ortogonales
Pero la matriz de varianzas y covarianzas muestral para las 𝒖’𝒔
es la identidad (tienen varianza 1 y no están correlacionadas),
por lo tanto
𝑷𝛀 𝑷′ = 𝑰
y por tanto,
= 𝑷−1 𝑷−1
𝛀 ′
Innovaciones Ortogonales
Ejemplo.
Continuando con el ejemplo numérico anterior, suponga que los
valores de las matrices 𝑨 y 𝛀 han sido estimados usando los datos.
16 14
Entonces de la matriz 𝛀 = , donde
14 25
𝑠1 = 𝑑𝑒𝑠𝑣𝑖𝑎𝑐𝑖ó𝑛 𝑒𝑠𝑡á𝑛𝑑𝑎𝑟 𝑑𝑒 𝜀1 = 16 = 4
14
𝑏21 = = 0.875
16
𝑠2.1 = 𝑠22 1 − 𝑟12
2
= 25 1 − 14 2 /(16)(25) = 3.5707
4 0
de donde 𝑷−1 =
3.5 3.5707 95
Estimación de un Modelo VAR
Innovaciones Ortogonales
Ejemplo.
Suponga que definimos 𝒖1 = 1 0 ′ , es decir asignamos una
desviación estándar a la primera innovación ortogonal.
Suponga además que todos los vectores siguientes 𝒖 son cero.
Entonces
4 0 1 4
𝜺1 =𝑷−1 𝒖1 = =
3.5 3.5707 0 3.5
El segundo elemento de 𝜺1 ya no es cero. En efecto, es el valor
esperado de 𝜺21 dado que 𝜺11 = 4 (Verificar).
96
Estimación de un Modelo VAR
Innovaciones Ortogonales
Ejemplo.
Los valores de 𝒚𝑡 pueden ser calculados como antes. Los primeros
valores se presentan en la siguiente tabla.
97
Estimación de un Modelo VAR
Innovaciones Ortogonales
Ejemplo.
Comparados con el supuesto anterior de una desviación
estándar solamente sobre 𝜺11 , ahora ya hay un impacto
importante sobre 𝒚𝟐 en el primer período, seguido por impactos
notablemente mayores en los períodos posteriores.
Si suponemos una perturbación de una desviación estándar sobre
la segunda innovación, entonces el vector 𝜺11 está dado por
4 0 0 0
𝜺1 = 𝑷−1 𝒖1 = =
3.5 3.5707 1 3.5707
98
Estimación de un Modelo VAR
Innovaciones Ortogonales
Ejemplo.
Con esto, los sucesivos vectores 𝒚𝑡 pueden ser calculados de la
manera usual.
Las innovaciones ortogonales fueron desarrolladas para
resolver el problema de las innovaciones correlacionadas
originales.
Sin embargo, la solución de un problema crea otro.
El nuevo problema es que el orden en el cual las variables de 𝜺
son ortogonalizadas puede tener efectos dramáticos sobre los
resultados numéricos.
99
Estimación de un Modelo VAR
Innovaciones Ortogonales
Ejemplo.
La interpretación de las funciones impulso respuesta es una
operación algo riesgosa y ha tenido un intenso debate sobre su
posible significado económico.
Pesaran and Shin (1998) proponen un conjunto de innovaciones
ortogonales que no dependen del orden del VAR. Su análisis es
denominado la función de impulso-respuesta generalizada.
100
Estimación de un Modelo VAR
101
Estimación de un Modelo VAR
𝜺𝑡 = 𝑷−1 𝒖𝑡
entonces
𝑉𝑎𝑟 𝑒1 = 𝚺 1 = 𝛀 = Var 𝜺 = 𝑉𝑎𝑟 𝑷−1 𝒖𝑡 = 𝑷−1 𝑉𝑎𝑟 𝒖𝑡 𝑷−1 ′
𝑐11 𝑐12 𝑣1 0 𝑐11 𝑐21
= 𝑐
21 𝑐22 0 𝑣2 𝑐12 𝑐22
donde las 𝑐’s son los elementos de la matriz 𝑷−1 y 𝑣𝑖 = 𝑉𝑎𝑟 𝑢𝑖 = 1,
102
para 𝑖 = 1,2.
Estimación de un Modelo VAR
105
Modelos Vectoriales de Corrección de Error
110
Modelos Vectoriales de Corrección de Error
∆𝒚𝑡
= 𝜸1 + 𝑩1 ∆𝒚𝑡−1 + 𝑩2 ∆𝒚𝑡−2 + ⋯ + 𝑩𝑝−1 ∆𝒚𝑡−𝑝+1 + 𝜶 𝜷′ 𝒚𝑡−1 − 𝜸2 + 𝜺𝑡
111
Modelos Vectoriales de Corrección de Error
115
Modelos Vectoriales de Corrección de Error
𝐿𝑅𝑡𝑟 = −𝑛 ln 1 − 𝜆𝑖
𝑖=𝑟+1
Los valores críticos de la prueba, son entregados por el
programa. Se rechaza 𝐻0 cuando el valor observado del 116