UNIVERSIDAD NACIONAL AGRARIA LA MOLINA

FACULTAD DE ECONOMIA Y PLANIFICACIÓN

ECONOMETRIA: TEORIA Y APLICACIONES

CAPITULO 9:

VECTORES AUTORREGRESIVOS

Econ. Juan Pichihua Serna, M.A.


Profesor Principal del Departamento Académico de Economía y Planificación
Econometría: Teoría y Aplicaciones Juan Pichihua Serna 1

VECTORES AUTORREGRESIVOS

1. Fundamentos Teóricos

La “crítica de Lucas”1 a la econometría clásica, en especial a los modelos

multiecuacionales, se basa en dos aspectos: primero, la clasificación entre variables
“endógenas” y “exógenas” suponen una decisión arbitraria y segundo, no es posible
suponer que los coeficientes de los modelos de ecuaciones simultáneas son
independientes de los cambios en las variables exógenas, toda vez que los agentes que
maximizan las utilidades perciben el cambio inminente, y de acuerdo a esto modificarán
su conducta de manera acorde.

Sims (1980)2 arguyó que en muchos casos las restricciones que se imponen a la forma
reducida para identificar los parámetros de la forma estructural son no comprobables
por ser arbitraria la clasificación de variables endógenas y exógenas. Sims sugiere como
alternativa, los Vectores Autorregresivos, VAR, como una generalización del modelo
AR3 a las series de tiempo múltiples. Sin embargo, la principal distinción entre la
metodología VAR y la aproximación de ecuaciones simultáneas son los siguientes:

 No hay distinción a priori entre variables endógenas y variables exógenas.

 No se imponen restricciones de exclusión.
 No se plantea una referencia estricta a la teoría económica en la especificación del
modelo.

Los modelos VAR aparecen como respuesta a la crítica de Lucas, que señala que
pronósticar el efecto de los cambios en las variables exógenas sobre las endógenas es
imposible porque no es posible sostener que los coeficientes de los modelos de
ecuaciones simultáneas son independientes de los cambios en las variables exógenas. Se
dice que los modelos VAR están libres a la crítica de Lucas, porque todas las variables
del modelo son endógenas.

Por ejemplo, en el siguiente modelo dinámico:

Yt  X t  a11Yt 1  a12Yt  2  b11X t 1  b12 X t  2  v1t

(1)
X t  Yt  a21Yt 1  a22Yt  2  b21X t 1  b22 X t  2  v2t

Donde v1t y v 2t son ruido blanco.

La restricción implícita es que los valores futuros no determinan las observaciones

presentes. Esto implica que las observaciones pasadas son estrictamente exógenas con
respecto a las observaciones futuras. Si   0 , entonces X t se dice predeterminada o
débilmente exógena. Si   a21  a22  0 , entonces X t se dice que es estrictamente
exógena con respecto a Yt , esto porque cambios pasados, presentes o futuros de Yt no

1
Lucas (1976), “Econometric Policy Evaluation: A Critique”, Journal of Monetary Economics,
pp. 19-46.
2
Sims, C. A. (1980), “Macroeconomics and Reality”, Econometrica, Vol. 48, pp. 1-48.
3
Tsiao, G.C. & G.E.P. Box (1981), “Modelling Multiple Time Series with Applications”, Journal
of the American Statistical Association, Vol. 76, pp. 802-816. Introdujeron el modelo VARMA.
2 Capítulo 9: Vectores Autorregresivos

producen cambios en X t , o lo que es lo mismo el impulso respuesta sobre la

secuencia X t de un cambio en Yt será cero.

La forma reducida del modelo (1) se puede expresar como un VAR(2) con 2 variables,
así:

Yt   11Yt 1   12Yt 2   13 X t 1   14 X t 2   1t
(2)
X t   21Yt 1   22Yt 2   23 X t 1   24 X t 2   2t

En el esquema del VAR, la hipótesis que Yt no causa a lo Granger a X t se prueba si

 21   22  0 , sin embargo, esto no prueba ni la exogeneidad débil, ni la exogeneidad
estricta, discutidos arriba que es la raíz de la discusión en la crítica de Lucas.

Empíricamente los modelos tipo Vectores Autorregresivos, VAR, han tenido mucho
éxito por su buena capacidad predictiva, incluso mejor que los modelos
multiecuacionales tradicionales. Sin embargo, dado que se tiene que estimar una gran
cantidad de parámetros se pierden muchos grados de libertad. La ventaja es que para
estimar los parámetros es suficiente los mínimos cuadrados oridinarios.

2. Especificación

Supongamos un modelo VAR de orden p, VAR(p), con m variables o procesos

estacionarios Y1t  , Y2t  ,....., Ymt . Por simplificación obviaremos el intercepto.

y1t  a111 y1,t 1  ....  a11p y1,t  p  a121 y 2,t 1  ....  a12 p y 2,t  p  ...  a1m1 y m,t 1  ....  a1mp y m,t  p  v1t
y 2t  a 211 y1,t 1  ....  a 21p y1,t  p  a 221 y 2,t 1  ....  a 22 p y 2,t  p  ...  a 2 m1 y m,t 1  ....  a 2 mp y m,t  p  v 2t
........................................................................................
y mt  a m11 y1,t 1  ....  a m1 p y1,t  p  a m 21 y 2,t 1  ....  a m 2 p y 2,t  p  ...  a mm1 y m,t 1  ....  a mmp y m,t  p  v mt

Donde v1t , v 2t ,......, v mt son ruido blanco con media cero, varianza constante y
covarianza nula, es decir: E (v jt )  0 , E (v 2jt )   jj   2j , y E (v jt .v k ,t  s )  0, s  0 .

Utilizando operadores de rezago, el modelo puede expresarse también:

y1t  (a111  ....  a11p L p 1 ) y1,t 1  (a121  ....  a12 p L p 1 ) y 2,t 1  ...  (a1m1  ....  a1mp L p 1 ) y m,t 1  v1t
y 2t  (a 211  ....  a 21p L p 1 ) y1,t 1  (a 221  ....  a 22 p L p 1 ) y 2,t 1  ...  (a 2 m1  ....  a 2 mp L p 1 ) y m,t 1  v 2t
........................................................................................
y mt  (a m11  ....  a m1 p L p 1 ) y1,t 1  (a m 21  ....  a m 2 p L p 1 ) y 2,t 1  ...  (a mm1  ....  a mmp L p 1 ) y m,t 1  v mt

Esto se puede simplificar si hacemos:

 jk   jk1   jk 2 L  ....   jkp Lp1 ; j, k  1,2,..., m.

Econometría: Teoría y Aplicaciones Juan Pichihua Serna 3

y1t   11 y1,t 1   12 y 2,t 1  ...   1m y m,t 1  v1t

y 2t   21 y1,t 1   22 y 2,t 1  ...   2 m y m,t 1  v 2t
........................................................................................
y mt   m1 y1,t 1   m 2 y 2,t 1  ...   mm y m,t 1  v mt

Ordenando matricialmente

 y1t   11  12 ...  1m   y1,t 1   v1t 

 y    
 2t    21  22 ...  2 m   y 2,t 1   v 2t 
. 
 ...   ... ... ... ...   ...   ... 
      
 y mt   m1  m 2 ...  mm   y m,t 1  v mt 

yt  yt 1  vt

Donde: Var (vt )  E (vt vt' )   .

 11  12 ...  1m 
  22 ...  2 m 
   21
 ... ... ... ... 
 
 m1  m 2 ...  mm 

Dado que E (vt )  0 , E ( y t' 1vt )  0 y que los regresores y t 1 son iguales en todas las m
ecuaciones,  puede ser estimado eficientemente por MCO, a pesar que E (vt vt' )   .

El impacto de los shock aleatorios o innovaciones se miden por la solución del modelo:

( I m  L) y t  vt

y t  ( I m  L) 1 vt


y t   k vt  k
k 0

Donde:  0  I m

Para que la representación VAR(p) sea estacionaria, o tenga soluciones convergentes,

las raíces características, en L, del polinomio formado por det(I m  L)  0 , deben caer
fuera del círculo unitario, Li  1 , o su inversa, i  1 caer dentro del circulo unitario.

Por ejemplo, una representación VAR(1) con dos procesos estocásticos Y1t  y Y2t  se
tiene:
4 Capítulo 9: Vectores Autorregresivos

y1t  c1  a11 y1,t 1  a12 y 2,t 1  v1t

y 2t  c 2  a 21 y1,t 1  a 22 y 2,t 1  v 2t
O también

 y1t   c1   a11 a12   y1,t 1   v1t 

 y   c   a . 
a 22   y 2,t 1  v 2t 
 2t   2   21

Donde v1t y v 2t son ruido blanco con media cero, varianza  12 y  22 , respectivamente, y
covarianza nula al interior de cada ecuación, pero con una matriz de varianzas y
covarianzas de los errores entre ecuaciones distintas iguales a:

 2  12 
V (vt )  E (vt vt' )     1 2 
 12  2 

El modelo VAR(1) se resuelve de la siguiente sistema:

 1 0   a11 L  a12 L    y1t   v1t 

 
 0 1   a L  a L . y   v 
    21 22    2t   2t 

1  a11 L  a12 L   y1t   v1t 

  a L 1  a L. y   v 
 21 22   2 t   2t 

1
 y1t  1  a11 L  a12 L   v1t 
 y     a L 1  a L  v 
 2t   21 22   2 t 

Esto es:

 y1t  1 1  a 22 L a12 L   v1t 

y    a L 1  a11 L v 2t 
.
 2t    21

1 0   a11 L  a12 L 
Donde el determinante de la matriz I  L     será:
0 1  a 21 L  a 22 L

  (1  a11 L)(1  a 22 L)  (a 21 L)(a12 L)

  1  (a11  a 22 ) L  (a11a 22  a 21a12 ) L2
  (1  1 L)(1   2 L)

Para que este modelo sea estacionario, convergente, debe demostrarse que las dos raíces
características del polinomio, en L, deben caer fuera del círculo unitario, o su inversa
1
dentro del círculo unitario. Li   1 o i  1 .
i
Econometría: Teoría y Aplicaciones Juan Pichihua Serna 5

Las raíces carácterísticas, en L, se obtiene de resolver el polinomio de segundo grado:

1  (a11  a 22 ) L  (a11a 22  a 21a12 ) L2  0

O su inversa produce las raíces 1 y  2 que se obtiene de resolver el polinomio:

2  (a11  a 22 )  (a11a 22  a 21a12 )  0 ,

Por ejemplo, para el Vector Autorregresivo de orden 1, VAR(1), con dos ecuaciones
fuera:

y1t  0.008 y1,t 1  0.461y 2,t 1

y 2t  0.232 y1,t 1  0.297 y 2,t 1

0.008 0.461
La matriz  será igual a:   
0.232 0.297

Por lo tanto, el determinante de la matriz I  L será:

1-(0.008+0.297)L+(0.008*0.297-0.232*0.461)L2 = 1 - 0.103052*L - 0.104576*L2

Para que el VAR(1) sea estacionario las raíces en L deben caer fuera del círculo unitario
en el polinomio:

1  0.3052 * L  0.104576 * L2  0

O lo que es lo mismo, su inversa:

2  0.3052 *   0.104576  0

Cuyas raíces características deben caer dentro del círculo unitario. Los resultados son:

1 = -0.204979 y  2 = 0.51.0179.

Es decir, caen dentro del círculo unitario. Por lo tanto, las raíces característica, en L,
caen fuera del círculo unitario, que aseguran la estacionariedad del VAR(1).

1 1 1 1
L1    4.878 y L2    1.96
1  0.204979 2 0.510179

3. Estimación

Supongamos un modelo VAR(p) con m ecuaciones o variables endógenas, y p rezagos

en cada una de ellas. La j-ésima ecuación del modelo puede representarse así:

y j ,t  c j   j1 y1,t 1  ......   jm y m,t 1  v j ,t

6 Capítulo 9: Vectores Autorregresivos

Donde  ji es el polinomio de rezagos de cada variable:

 ji   ji ,1   ji , 2 L  ....   ji , p L p 1
.

De modo que para las m ecuaciones tendremos:

 y1t   c1   11  12 ......  1m   y1,t 1   v1t 

 y   c  
 2t    2    21  22 ......  2 m   y 2,t 1   v 2t 

 ....   ...  ...... ...... ...... ......   ....   .... 
        
 y mt  c m   m1  m 2 ......  mm   y m,t 1  v mt 

Este sistema de ecuaciones se puede reducir en forma matricial a:

yt  yt 1  vt

También se puede expresar de la siguiente manera:

yt  ( I m  yt 1 )  vt
Siendo
  12  12 ....  1m 
 
  22 ....  2 m 
Var (v t )     21
 .... .... .... .... 
 
 m1  m 2 ....  m2 

Como se viera arriba, el modelo VAR(p) puede ser estimado de manera eficiente, por
mínimos cuadrados ordinarios debido a que todas las ecuaciones tienen los mismos
regresores.
ˆ  I  ( y ' y ) 1 y ' y  m t 1 t 1 t 1 
Para la j-ésima ecuación:

Y jt  c1   j11Y1,t 1   j12Y1,t 2  .... j1 pY1,t  p  ....   jm1Ym,t 1  ......   jmpYm,t  p  v1t

Y jt  yt 1 j  vt
Donde:

 'j  c j  j11  j12 ....  j1 p ....  jm1 .... jmp 


yt 1  1 y1,t 1 , y1,t 2 ... y1,t  p ... y m,t  p , ... y m,t  p 
Por lo tanto, el estimador MCO de los parámetros de la j-ésima ecuación será:

ˆ j  ( yt 1 ' yt 1 ) 1 yt 1 ' y j
Econometría: Teoría y Aplicaciones Juan Pichihua Serna 7

Donde su varianza es:

Var (ˆ j )   2j ( yt' 1 yt 1 ) 1

( y jt  yt 1ˆ j )' ( y jt  yt 1ˆ j )

ˆ 2j 
n  mp  1

Donde n es el número de observaciones, m es el número de variables y p el orden del

VAR.

Elección del Orden del VAR

Se utilizan dos criterios para determinar el orden del VAR: el criterio de Akaike y el
criterio de Schwarz, en ambos casos el mejor modelo es aquel que produce los menores
valores para el AIC o el AIS. El proceso consiste en agregar rezagos al VAR hasta
encontrar el modelo parsimonioso.


ˆ )  2m p 
2
Criterio de Akaike: AIC  Min Log (det  
 n 



ˆ )  m p.Log (n) 
2
Criterio de Schwarz: AIS  Min Log (det  
 n 

4. Usos

Los modelos VAR tienen tres usos principales: pronóstico, análisis de causalidad, y
análisis impulso – respuesta.

4.1 Predicción

De la estimación se obtiene:
yˆ t  ˆ. y t 1

Los pronóstico de 1, 2, o s períodos hacia delante se obtiene así:

yˆ t 1  ˆ. yt
yˆ t  2  ˆ. y t 1  ˆ 2 . y t
……………..
yˆ t  s  ˆ s . yt

Por ejemplo, para el Vector Autorregresivo de orden 1, VAR(1), con dos ecuaciones
fuera:

y1t  0.008 y1,t 1  0.461y 2,t 1

y 2t  0.232 y1,t 1  0.297 y 2,t 1
8 Capítulo 9: Vectores Autorregresivos

0.008 0.461
La matriz  es a:   
0.232 0.297

 y1t  8
Si  y   9
 2t   

Luego, los pronósticos serán:

 y1,t 1  0.008 0.461 8 11.173

Para el período t+1: y    .    
 2,t 1  0.232 0.297 9 11.919

2
 y1,t  2  0.008 0.461 8 12.544
Para el período t+2: y   .     , etc.
 2 , t  2  0.232 0.297 9 13.522

4.2 Análisis de Causalidad

Causalidad a lo Granger, es una análisis de precedencia de una variable obre otra.

Supongamos un modelo VAR(p) con dos variables y1 y y 2 .

y1t  c1  a111 y1,t 1  ....  a11p y1,t  p  a121 y 2,t 1  ....  a12 p y 2,t  p  vt
y 2t  c2  a 211 y1,t 1  ....  a 21p y1,t  p  a 221 y 2,t 1  ....  a 22 p y 2,t  p  vt

Si la hipótesis nula fuera: y 2 no causa a lo Granger a y1 implicaría que

Ho: a121  a122  ...  a12 p  0

En caso contrario no podemos rechazar la hipótesis de no causalidad de y 2 sobre y1 , lo

que implica que no se puede excluir la posible causalidad de y 2 sobre y1 .

Si la hipótesis nula fuera: y1 no causa a lo Granger a y 2 implicaría que

Ho: a211  a212  ...  a21p  0

En caso contrario no podemos rechazar la hipótesis de no causalidad de y1 sobre y 2 , lo

que implica que no se puede excluir la posible causalidad de y1 sobre y 2 .

En cualquier caso, la prueba de hipótesis sigue una distribución F con p y n-mp-1

grados de libertad.

( SCRES R  SCRES NR ) / p ( SCEXPNR  SCEXPR ) / p 2

( RNR  RR2 ) / p
F  
SCRES NR /( n  mp  1) SCRES NR /( n  mp  1) (1  RR2 ) /( n  mp  1)
Econometría: Teoría y Aplicaciones Juan Pichihua Serna 9

Donde:
SCRES es la suma de cuadrados de los residuos
SCEXP es la suma de cuadrados explicada por la regresión

Los subíndices indican R = modelo restringido (excluye las variables asociados a la

hipótesis nula) y NR = modelo no restringido (incluye todas las variables explicativas).

4.3 Análisis de Impulso – Respuesta

Sea el modelo VAR(p):

yt  yt 1  vt

Con matriz de varianzas y covarianza de los residuos está dado por:

  12  12 ....  1m 
 
  22 ....  2 m 
Var (v t )     21
 .... .... .... .... 
 
 m1  m 2 ....  m2 

La solución del VAR(p) es: ( I m  L) y t  vt

y t  ( I m  L) 1 vt


y t   k vt  k
k 0

Donde  es el impacto k períodos más adelante de un shock aleatorio dado en el

k

período t.
Dado que la matriz de varianzas y covarianzas de los residuos  del VAR(p) es
definida positiva, existe una matriz P, triangular superior tal que:

P  P'  I m

  P 1 ( P' ) 1

 1  P' P

Conocido la matriz  se puede obtener la matriz P mediante el proceso conocido como

la “descomposición de Cholesky”.

Si existe la matriz P, se puede multiplicar el VAR por P 1 y por P .


yt   k P 1 Pv t k
k 0
10 Capítulo 9: Vectores Autorregresivos


yt   k .wt k
k 0

Donde: k   k P 1 y wt k  Pvt k

El vector wt tiene la propiedad de tener varianza unitaria y covarianza nula, es decir:

E (wt wt' )  E ( Pvt vt' P' )  P.E (vt vt' ).P'  P  P'  I m

Las matrices k mide la respuesta de las variables en y t de un impulso unitario de

alguna innovación o shock aleatorio en la variable j-ésima, w jt . La secuencia de k es:

0   0 P 1  P 1 ,
1   1 P 1  P 1 ,
2   2 P 1 , y así sucesivamente.

Por lo tanto:
y0  0 w0 ,
y1  1 w0 ,
y 2  2 w0 , y así sucesivamente.

Por ejemplo, para el Vector Autorregresivo de orden 1, VAR(1), arriba mencionado:

y1t  0.008 y1,t 1  0.461y 2,t 1

y 2t  0.232 y1,t 1  0.297 y 2,t 1

ˆ  275 167  .
La matriz de varianza y covarianzas del error es:  167 390
 
Una posible matriz P obtenido por la descomposición de Cholesky es:

0.070  0.030
P
 0 0.051 
Y su inversa es:
14.286 8.403 
P 1  
 0 19.608

Por lo tanto, las matrices de impulso respuesta son:

14.286 8.403 
0  P 1  
 0 19.608
Econometría: Teoría y Aplicaciones Juan Pichihua Serna 11

0.008 0.461 14.286 8.403  0.114 9.107

1  P 1    0   3.314 7.773
0.232 0.297  19.608  

2
0.008 0.461 14.286 8.403  1.529 3.664
1   P
2 1
   0 
19.608 1.014 4.420
, etc.
0.232 0.297 

Por lo tanto, la respuesta de y1t y y 2t frente a un shock aleatorio, innovación o impulso

de magnitud igual a una desviación estándar , por ejemplo en la variable y 2 en el
momento t. El shock es:
 w  0 
wt   1    
 w2  1
Es:
14.286 8.403  0  8.403 
y 0  0 w0   
19.608 1 19.608
. ,
 0

0.114 9.107 0 9.107

y1  1 w0   .    ,
3.314 7.773 1 7.773

1.529 3.664 0 3.664

y 2  2 w0   .     , etc.
1.014 4.420 1 4.420

De igual manera se puede medir la respuesta de y t frente a una innovación en la

variable y 2 .

Una crítica muy severa que se hace a los modelos VAR cuando se lo utiliza para hacer
análisis impulso – respuesta, es que la matriz P que se obtiene de la descomposición de
Cholesky no es única, por lo tanto, la “respuesta” frente a un shock es sensible a los
valores de la matriz P.

Otra crítica fuerte al análisis impulso respuesta utilizando modelos VAR es que es muy
sensible al orden que se plantean las ecuaciones, toda vez que la descomposición de
Cholesky produce una matriz triangular superior, un shock en la primera variable en el
momento cero, solo afecta a dicha variable y no al resto, la respuesta de las otras
variables recién se observan en el siguiente período. De igual modo, un shock en la
segunda variable en el momento cero sólo afecta a a la primera y a la segunda variable
pero no al resto, así sucesivamente, un shock en la variable j, produce respuesta en el
momento cero sólo de las variables anteriores pero no de las variables siguientes a la
variable j.

5. Aplicaciones

Supongamos datos de las variables consumo privado y PBI para la economía peruana,
para los años 1950 – 1999. Utilizando la tecnología VAR se hará pronósticos para el
período 2000 –2005, se hará análisis de causalidad y se evaluará el impulso respuesta de
shocks aleatorios en ambas variables.
 12 Capítulo 9: Vectores Autorregresivos

Datos:

obs CPR_R PBI_R obs CPR_R PBI_R

1950 608.0340 865.5800 1975 2209.670 3213.040
1951 664.0810 936.4500 1976 2249.320 3276.070
1952 677.0150 994.8600 1977 2254.320 3289.340
1953 705.3360 1047.951 1978 2081.670 3298.590
1954 759.8570 1115.555 1979 2130.720 3490.140
1955 813.8110 1168.836 1980 2236.390 3646.640
1956 828.2480 1218.969 1981 2355.770 3807.720
1957 874.0200 1301.269 1982 2376.390 3815.750
1958 876.9530 1293.882 1983 2167.110 3334.220
1959 885.5820 1341.448 1984 2209.020 3494.780
1960 926.6100 1504.738 1985 2255.690 3573.930
1961 989.4020 1615.814 1986 2592.610 3904.220
1962 1092.337 1750.836 1987 2847.160 4234.710
1963 1200.983 1815.554 1988 2636.450 3881.280
1964 1274.222 1935.367 1989 2185.850 3428.610
1965 1371.070 2030.901 1990 2132.610 3243.760
1966 1490.966 2201.563 1991 2173.170 3334.500
1967 1609.145 2284.921 1992 2212.500 3287.200
1968 1625.757 2293.028 1993 2312.510 3497.230
1969 1683.049 2379.346 1994 2542.600 3953.720
1970 1785.390 2518.600 1995 2787.940 4243.040
1971 1848.780 2623.880 1996 2820.000 4346.940
1972 1908.830 2699.220 1997 2915.880 4645.410
1973 1987.140 2844.350 1998 2904.216 4657.540
1974 2122.120 3107.390 1999 2892.100 4834.500

Resultados de la Estimación:

En el cuadro de la página siguiente se presenta un resumen de todos los resultados.

Análisis de causalidad:

Pairwise Granger Causality Tests

Lags: 1 VAR(1) Lags: 2 VAR(2) Lags: 3 VAR(3)
Null Hypothesis:
F-Statist Probabil F-Statist Probabil F-Statist Probabil
(PBI_R) does not Granger Cause  (CPR_R) 1.74544 0.1931 0.6687 0.5177 0.5453 0.6541
 (CPR_R) does not Granger Cause  (PBI_R) 2.4E-05 0.9960 1.8875 0.1640 0.8949 0.4524
Observaciones 48 47 46

En todos los casos se aceptan las hipótesis nulas de no causalidad. Utilizando VAR(1)
sugiere que es más probable que el consumo privado no cause al PBI, que lo contrario.
Sin embargo, con un VAR(2) o VAR(3) se obtienen resultados contrarios. Por lo tanto,
los resultados no son concluyentes sobre quién causa a quién.
Econometría: Teoría y Aplicaciones Juan Pichihua Serna 13

ESTIMACION POR MÍNIMOS CUADRADOS ORDINARIOS

DE LOS VECTORES AUTORREGRESIVOS PARA EL
CONSUMO PRIVADO (CPR) Y PBI
VAR(1) VAR(2) VAR(3)
d(CPR_R) d(PBI_R) d(CPR_R) d(PBI_R) d(CPR_R) d(PBI_R)
CPR_R(-1) 0.0336 0.0022 0.2663 0.2118 0.1551 0.1577
Error Estándar 0.3000 0.4411 0.2936 0.4506 0.3163 0.4927
t-statistic 0.1121 0.0049 0.9069 0.4701 0.4903 0.3200

CPR_R(-2) -0.5381 -0.8138 -0.4180 -0.7650

Error Estándar 0.2799 0.4296 0.3052 0.4754
t-statistic -1.9223 -1.8942 -1.3698 -1.6092

CPR_R(-3) -0.0871 -0.1044

Error Estándar 0.3080 0.4798
t-statistic -0.2829 -0.2176

PBI_R(-1) 0.2822 0.3229 0.2163 0.2622 0.2481 0.2750

Error Estándar 0.2136 0.3140 0.2006 0.3079 0.2070 0.3224
t-statistic 1.3212 1.0283 1.0783 0.8518 1.1986 0.8527

PBI_R(-2) 0.0947 0.3000 0.0843 0.2978

Error Estándar 0.2031 0.3118 0.2079 0.3239
t-statistic 0.4662 0.9623 0.4056 0.9193

PBI_R(-3) -0.0711 0.0165

Error Estándar 0.2213 0.3447
t-statistic -0.3214 0.0477

Constante 22.5161 55.5933 36.1232 66.6742 43.5100 70.0055

Error Estándar 18.0278 26.5061 17.8846 27.4489 19.5060 30.3860
t-statistic 1.2490 2.0974 2.0198 2.4290 2.2306 2.3039

R-squared 0.1812 0.1045 0.3353 0.2088 0.3565 0.2109

Adj, R-squared 0.1448 0.0647 0.2720 0.1335 0.2574 0.0895
Sum sq, resids 575982.6 1245137 466822.5 1099624 451705.5 1096139
Standar Error of equation 113.14 166.34 105.43 161.81 107.62 167.65
F-statistic 4.98 2.63 5.30 2.77 3.60 1.74
Log likelihood -293.53 -312.03 -282.97 -303.11 -276.69 -297.08
Akaike AIC 12.36 13.13 12.25 13.11 12.33 13.22
Schwarz SC 12.47 13.24 12.45 13.31 12.61 13.50
Mean dependent 46.42 81.21 47.13 81.69 47.54 82.32
Stanart Deviation of dependent 122.34 172.00 123.56 173.82 124.89 175.69
Determinant Residual Covariance 76121287 61314029 59207457
Log Likelihood -571.77 -554.77 -542.16
Akaike Information Criteria 24.07 24.03 24.18
Schwarz Criteria 24.31 24.43 24.74
n 48 47 46
14 Capítulo 9: Vectores Autorregresivos

Pronóstico:

Utilizando el VAR(3), se plantea hacer el modelo:

ASSIGN @ALL F

D(CPR_R) = 0.03362309482*D(CPR_R(-1)) + 0.2821873094*D(PBI_R(-1)) +

22.51606802

D(PBI_R) = 0.002173868723*D(CPR_R(-1)) + 0.3229415756*D(PBI_R(-1)) +

55.59326802

La solución del pronóstico para el período 2000 2005 es:

obs CPR_RF PBI_RF

2000 2964.145 4947.215
2001 3020.890 5039.365
2002 3071.317 5124.841
2003 3119.649 5208.147
2004 3167.298 5290.749
2005 3214.725 5373.121

Impulso Respuesta:

Planteado el orden de las ecuaciones como CPR_R y PBI_R, la respuesta de los shock
aleatorios en el consumo privado y en el PBI son:
Shock en el CPR_R:
Period CPR_R PBI_R
1 109.5429 0.000000
(11.1802) (0.00000)
2 43.18610 22.47535
(15.3609) (16.6307)
3 14.27639 8.013916
(11.9389) (7.52127)
4 4.648019 2.627223
(6.52886) (3.01267)
5 1.511060 0.854673
(3.01782) (1.31056)
6 0.491172 0.277831
(1.27530) (0.56330)
7 0.159654 0.090309
(0.51062) (0.23208)
8 0.051895 0.029355
(0.19727) (0.09204)
9 0.016868 0.009542
(0.07431) (0.03544)
10 0.005483 0.003101
(0.02747) (0.01334)
Shock en el PBI_R:
Period CPR_R PBI_R
1 139.9883 79.64692
(18.3383) (8.12893)
2 45.44618 25.72130
(21.9233) (24.3602)
3 14.77034 8.355337
(15.4588) (8.36149)
4 4.800993 2.715707
(7.88258) (3.46012)
5 1.560544 0.882726
(3.50060) (1.52029)
6 0.507249 0.286927
(1.44387) (0.64431)
7 0.164880 0.093265
(0.56894) (0.26135)
8 0.053594 0.030315
(0.21734) (0.10234)
9 0.017420 0.009854
(0.08118) (0.03901)
10 0.005662 0.003203
(0.02981) (0.01457)