Rezagos: M1(-1), M1(-2), M1(-3) …

Log verosimilitud: logaritmo de máxima verosimilitud sirve para tomar una decisión acerca de la elección de un
modelo se basa en el modelo de máxima verosimilitud y mientras mayor sea el numero un modelo es mejor

Hacemos una comparación:

2
R = 0.988154; pues 0.988154 > 0.852890
2
R ajustada= 0.984034; pues 0.984034 > 0.801721
Estadístico F= 239.8315; pues 239.8315> 16.66815

Log verosimilitud= -53.73716; pues -53.73716 > -236.1676

En el caso del criterio Akaike A/C y el criterio de Schwarz SC mientras menor sea el valor mejor es el modelo

Akaike A/C = 3.921073; pues 3.921073 < 15.32298.

Schwarz SC= 4.333311; pues 4.333311< 15.73521

Resumiendo:

Viendo los coeficientes de regresión individuales vemos que ambos modelos tienen variables significativas y viendo
lo indicadores de relevancia global mejor es el primer modelo el que esta en la columna de la izquierda pero si nos
guiamos del criterio de Schwarz SC y el logaritmo de máxima verosimilitud nos dice que el mejor modelo el que esta
en la columna de la derecha

Debemos considerar:

Si queremos determinar la cantidad de rezagos para M1 y también para la tasa de interés (R) tenemos que fijarnos
en el criterio de información de Akaike, criterio de Schwarz y logaritmo de máxima verosimilitud para elegir el mejor
modelo en función a la cantidad de rezagos pero el profe comparó los criterios de información en base a modelos
distintos así que no tiene mucho sentido en otras palabras son modelos diferentes pero si sirven los indicadores de
relevancia global R2 y la prueba F considerando que son modelos distintos de laguna manera el coeficiente de
determinación y la prueba F nos pueden decir que un modelo representa más a la realidad que el otro.

Según el análisis que se hizo para 6 rezagos

Causalidad bilateral: tanto M1 causa R como R causa M1

El problema con los modelos VAR es que no debemos guiarnos mucho por el resultado de las pruebas T de los
coeficientes de regresión; es decir, tener cuidado cuando hacemos un análisis de relevancia individual porque puede
existir un alto grado de multicolinealidad porque son valores rezagados

Recordar que una de las consecuencias de la multicolinealidad es que subestima los valores T puede producir que
cada coeficiente estimado no será estadísticamente significativo, pero de forma colectiva quizá sea significativo de
acuerdo a la prueba F estándar en ambos modelos la prueba F es significativa.

Examinando los resultados de la tabla 1 primero consideramos consideramos M1 en el rezago 1 de forma individual

T>2 = 5.33733

R= tasa de interés

La prueba F nos dice que es tan alto nos dice que es conjunto todos los rezagos pueden ser significados
 Los primeros cuatro rezagos de los términos monetarios M1(-1) , M2(-2), M1(-3) y M1(-4) es significativo

Vemos que disminuimos la cantidad de rezagos para cada variable, en el primer modelo de la columna izquierda solo
la primera variable rezagada de la endógena es significativa y en la relación a la tasa de interés (R) de la columna de
la izquierda ambos rezagos son significativos
Considerando que los modelos bien parecidos se podría se podría usar el criterio de información de Akaike y Schwarz