Está en la página 1de 87

Banco Central de Costa Rica Departamento de Investigacin Econmica DIE-NT-02-2008 SEMINARIO-TALLER TPICOS DE ECONOMETRIA APLICADA PARTE II

Pruebas de diagnstico, Cointegracin, Modelos de correccin de errores, Test de cointegracin de Johansen-Juselius y Pruebas de exogeneidad
Basado en las presentaciones del Dr. Luis Miguel Galindo Proyecto CEPAL-CMCA

Preparado por: Mario Rojas Snchez

Criterios de seleccin de los modelos economtricos

Criterios de seleccin de la econometra moderna


El modelo es coherente con los datos: el modelo debe reproducir adecuadamente el comportamiento de los datos y por tanto no mostrar algn comportamiento sistemtico en el comportamiento del trmino de error.

El modelo tiene propiedades estadsticas de exogeneidad apropiadas: esto implica que el proceso de probabilidad condicional realizado es vlido.
El modelo es admisible con respecto a los datos: esto implica que el modelo realiza simulaciones y predicciones acertadas y tiene estabilidad en los parmetros.

Criterios de seleccin de la econometra moderna


CRITERIOS Modelo coherente con los datos PRUEBAS Coeficiente de determinacin Autocorrelacin Heterocedasticidad Exogeneidad dbil, exogeneidad fuerte y superexogeneidad Normalidad Cambio estructural Estabilidad de parmetros Consistencia de los valores de los coeficientes

Propiedades de exogeneidad

Modelo admisible con los datos

Teora econmica

Fuente: Luis Miguel Galindo

PRUEBAS DE DIAGNSTICO

Normalidad de los residuos


La normalidad de los residuos favorece la potencia de otras pruebas sobre stos. Estadstico Jarque-Bera. Basado en dos medidas: kurtosis y skewness. Ho: normalidad de los residuos. Distribucin X 2(2) Valor crtico al 5% es 5.99

PRUEBA DE NORMALIDAD DE JARQUE-BERA

La prueba de normalidad de Jaque-Bera (1980):


X2(2) = ((n-k)/6)(SK2 + (1/4)KC2)

X2(2) es una chi cuadrada con dos grados de libertad y k es el numero de variables consideradas
La hiptesis nula es que los errores se distribuyen normalmente

La distribucin normal favorece la potencia de las otras pruebas

AUTOCORRELACIN SERIAL

La autocorrelacin se define como la existencia de correlacin de los residuos con sus valores pasados: E(utut-k) 0

Causas de la autocorrelacin: Omisin de variables relevantes en la ecuacin estimada


Transformaciones en las ecuaciones o ajustes estacionales

La presencia de rezagos en el proceso de ajuste que no fueron considerados en la ecuacin inicial.

PROBLEMAS DE AUTOCORRELACIN
Los MCO siguen dando estimadores insesgados y consistentes cuando se utilizan variables exgenas en la ecuacin inicial.

Los MCO proporcionan estimadores sesgados e inconsistentes en el caso en que se utilizan variables endgenas en la ecuacin inicial.
Los estimadores no tienen varianza mnima.

Las estimaciones de los errores estndar tienden por lo general a subestimar el valor real lo que se traduce en la obtencin de pruebas t que rechazan la hiptesis nula.
Las predicciones muestran, por lo general, valores ms elevados que los normalmente esperados.

LA PRUEBA DEL MULTIPLICADOR DE LAGRANGE

yt = 0 + 1 yt-1 ++kyt-k + k+1xit + et Asumiendo que los errores son autorregresivos de orden p entonces se estima la siguiente regresin: et = 0 + 1et-1 + 2et-2++pet-p + vt
Ho: 0 = 1 = 2 = p = 0

El estadstico se distribuye como X 2 ( ) nR 2 .

HETEROSCEDASTICIDAD La heteroscedasticidad se define como cambios de la varianza del trmino de error de la ecuacin estimada:

E (e

Donde la varianza no es constante En trminos ms generales:

E (ee' )
Donde

no tiene elementos idnticos en la diagonal

HETEROSCEDASTICIDAD

Causas: El modelo no est especificado correctamente. Variacin en los coeficientes estimados Problemas en la agrupacin de los datos

PROBLEMAS DE HETEROSCEDASTICIDAD

Los MCO siguen siendo insesgados y consistentes pero ineficientes. Esto es la varianza ya no es mnima pero el uso de los MCO sigue siendo vlido al menos en muestras grandes no obstante que no representa un uso eficiente de la informacin

Las estimaciones de la varianza son sesgadas. Como consecuencia de que las estimaciones de la varianza ya no son mnimas entonces las pruebas de la significancia basadas en los t disminuyen su poder.

PRUEBA ARCH

Esta prueba se basa en la estimacin de una regresin que incluye los valores rezagados al cuadrado de los residuales de la ecuacin original:

et

et1

et1

et

La hiptesis nula es que no existe heteroscedasticidad

SOLUCIONES PARA LA HETEROSCEDASTICIDAD

Utilizar estimaciones por mnimos cuadrados generalizados en donde se conoce o especifica a priori la forma de la heteroscedasticidad Modificar la especificacin de la ecuacin original Aplicar la correccin de Newey-West en el proceso de estimacin OLS

PRUEBAS DE ESTABILIDAD EN LOS PARMETROS Cambio estructural

PRUEBA DE CHOW (1) (2)


yt
yt

B0
0

B1 x1t
1 1t

B2 x2t
2

...
...

Bkt xk
kt

et
et

x2t

xk

La hiptesis nula es:


Ho:B0=0, B1= 0Bk= k F((RSS1-RSS2)/k=F(k,n+m-2k) Donde RSS1 representa la suma del cuadrado de los residuales de la primera regresin y RSS2 la suma del cuadrado de los residuales de la segunda regresin.

ANLISIS DE COINTEGRACIN Y MODELOS DE CORRECCIN DE ERRORES

COINTEGRACIN

Cointegracin CI(d,b): La combinacin lineal de dos series Yt Xt I(1) no estacionarias baja un orden de integracin Yt - 1Xt =

COINTEGRACIN

Los coeficientes son las ponderaciones de la combinacin lineal que reduce las variables a un nivel estacionario Se normaliza la combinacin lineal de acuerdo a la teora econmica El vector de cointegracin no es nico ya que su multiplicacin por un escalar es similar pero se mantendr la relacin Con ms de dos variables puede haber ms vectores de cointegracin

PRUEBA DE COINTEGRACIN

Engle y Granger (1987): Suponiendo que Yt Xt que I(1). Regresin en niveles o esttica:

Yt =

1Xt

Estimacin

de

esta

ecuacin

por

OLS

da

coeficientes

superconsistentes (Stock, 1987).

PRUEBA DE COINTEGRACIN

CRADF(p):
t

t-1

p i t-i

+ ut

Esta ecuacin no incluye normalmente a una constante. Los valores crticos no tienen distribucin estndar y debe de corregirse por la primera regresin.

Cuadro 1: Valores crticos de MacKinnon (1991) (caso bivariado) (Engle y Yoo, 1991): 1% T=50 T=100 T=500 -4.085 -4.048 -3.908 5% -3.438 -3.396 -3.345 10% -3.094 -3.091 -3.048

DOS ETAPAS DE ENGLE-GRANGER

Ecuacin de cointegracin:

(1)

Yt =

1Xt

Equilibrio:

t=0 t

Desequilibrio:

= Yt -

1X t

DOS ETAPAS DE ENGLE-GRANGER

Modelo general:

(2)

Yt =

Xt +

t-1

Xt + [Yt-1 -

1Xt-1] +

ut

Con: -1< <0

COINTEGRACIN

Stock (1987) demostr que los coeficientes de (1) son superconsistentes pero no necesariamente distribuidos

normalmente, mientras que en (2) los coeficientes son consistentes y asintticamente distribuidos normalmente Inferencia con prueba t en la regresin (1) son invlidas. Inferencia con prueba t en la regresin (2) son vlidas. Existe igual nmero de ecuaciones que de variables.

Teorema de representacin de Granger (Engle y Granger, 1987): Cointegracin implica ECM e inversamente.

PRUEBAS DE ECM Y COINTEGRACIN

La regresin esttica de [Yt = cointegracin como:

1Xt

t]

permite probar

t-1

+ ut

Ello equivale a:

(Y-X)t = [Y-X]t-1 + ut

Yt = Xt + [Y-X]t-1 + ut

PRUEBAS DE ECM Y COINTEGRACIN

Esta regresin es un caso restrictivo del teorema de representacin de Granger:

Yt =

Xt + [Yt-1 - Xt-1] + ut

Ho: =0 Notas:

no cointegracin

La distribucin de la prueba t no es estndar. Usar valores crticos de la DF (Banerjee, et al 1986 y Kremers, Ericsson y Dolado, 1992). Se impone elasticidad unitaria.

MODELO DE CORRECCIN DE ERRORES CASO: CURVA IS

MCE: Mtodo dos etapas (Engle-Granger) Ecuacin de largo plazo (RLP)


Dependent Variable: LY Method: Least Squares Date: 03/15/07 Time: 09:50 Sample: 1997Q1 2006Q4 Included observations: 40 Newey-West HAC Standard Errors & Covariance (lag truncation=3) Variable @SEAS(2) @SEAS(3) @SEAS(4) LYX LTOT LTCR R_EXP @TREND R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Coefficient -0.033076 -0.052857 0.012134 1.081476 0.376978 0.213426 -0.352210 0.002719 0.993338 0.991881 0.010747 0.003696 129.0312 Std. Error 0.004889 0.005831 0.005013 0.056671 0.072477 0.045213 0.237091 0.000701 t-Statistic -6.765009 -9.064102 2.420640 19.08349 5.201336 4.720469 -1.485550 3.876759 Prob. 0.0000 0.0000 0.0213 0.0000 0.0000 0.0000 0.1472 0.0005 12.78435 0.119267 -6.051562 -5.713786 1.353301

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat

RESIDUOS DE LA REGRESIN (RLP)

13.1 13.0 12.9 12.8 12.7 .02 .01 .00 -.01 -.02 -.03 97 98 99 00 01 02 03 04 05 Fitted 06 12.6 12.5

Residual

Actual

PRUEBA DE NORMALIDAD DE JARQUE-BERA (RLP)

7 6 5 4 3 2 1 0 -0.02 -0.01 -0.00 0.01 Series: Residuals Sample 1997Q1 2006Q4 Observations 40 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-Bera Probability 1.02e-06 0.000160 0.015574 -0.023547 0.009735 -0.246860 2.234025 1.384130 0.500541

PRUEBA DEL MULTIPLICADOR DE LAGRANGE (RLP)

Breusch-Godfrey Serial Correlation LM Test: F-statistic Obs*R-squared 1.078689 5.340913 Prob. F(4,28) Prob. Chi-Square(4) 0.385815 0.254071

PRUEBA ARCH (RLP)

ARCH Test: F-statistic Obs*R-squared 1.057943 4.324045 Prob. F(4,31) Prob. Chi-Square(4) 0.393779 0.363924

PRUEBAS DE ESTABILIDAD EN LOS PARMETROS (RLP) Cambio estructural

Chow Breakpoint Test: 2000Q4 F-statistic Log likelihood ratio 1.921842 19.80282 Prob. F(8,24) Prob. Chi-Square(8) 0.103217 0.011108

PRUEBAS DE ESTABILIDAD PARAMTRICA (RLP) Pruebas de Cusum y Cusum cuadrado

1.6
20 15 10 5 0 -5 -10 -15

1.2

0.8

0.4

0.0

-0.4
-20 1999 2000 2001 2002 2003 2004 2005 2006 CUSUM 5% Significance

1999 2000 2001 2002 2003 2004 2005 2006 CUSUM of Squares 5% Significance

PRUEBAS DE ESTABILIDAD PARAMTRICA (RLP) Pruebas de coeficientes recursivos


.00 -.01 -.02 -.03 -.04 -.04 -.05 -.06 2000 2001 2002 2003 2004 2005 2006 -.05 -.06 -.07 2000 2001 2002 2003 2004 2005 2006 .02 .01 .00 2000 2001 2002 2003 2004 2005 2006 .00 -.01 -.02 -.03 .03 .06 .05 .04

Recursive C(1) Estimates 2 S.E.

Recursive C(2) Estimates 2 S.E.

Recursive C(3) Estimates 2 S.E.

2.4 2.0 1.6 1.2 0.8 0.4 0.0 2000 2001 2002 2003 2004 2005 2006

1.0 0.8 0.6 0.4 0.2 0.0 -0.2 2000 2001 2002 2003 2004 2005 2006

1.5 1.0 0.5 0.0 -0.5 -1.0 -1.5 2000 2001 2002 2003 2004 2005 2006

Recursive C(4) Estimates 2 S.E.

Recursive C(5) Estimates 2 S.E.

Recursive C(6) Estimates 2 S.E.

1.2 0.8 0.4 0.0 -0.4 -0.8 -1.2 2000 2001 2002 2003 2004 2005 2006

.016 .012 .008 .004 .000 -.004 -.008 -.012 -.016 2000 2001 2002 2003 2004 2005 2006

Recursive C(7) Estimates 2 S.E.

Recursive C(8) Estimates 2 S.E.

PRUEBAS DE RAIZ UNITARIA Residuos de la regresin de Largo Plazo (ECM)


Valor crtico: MacKinnon -4.085
ADF CCCT -4.67 -6.66 PP CCCT -4.82 -9.79 KPSS CCST -4.86 -9.71 CCCT 0.086 0.034 CCST 0.086 0.034

SCST -4.77 ECM -6.82 D(ECM) SCST: Sin constante sin tendencia CCCT: Con constante con tendencia CCST: Con constante sin tendencia

CCST -4.71 -6.74

SCST -4.91 -9.86

MCE: Mtodo dos etapas (Engle-Granger) Ecuacin de corto plazo (RCP)


Dependent Variable: DLY Method: Least Squares Date: 03/15/07 Time: 11:16 Sample (adjusted): 1997Q2 2006Q4 Included observations: 39 after adjustments Newey-West HAC Standard Errors & Covariance (lag truncation=3) Variable D4 ECM(-1) DLY(-2) DLYX(-1) DLTOT(-1) DR(-2) DLTCR R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Coefficient 0.064885 -0.445177 -0.155170 -0.613827 -0.219718 -0.967179 0.126552 0.945392 0.933061 0.010084 0.003152 128.4148 Std. Error 0.002877 0.183904 0.062356 0.132042 0.073604 0.296469 0.089610 t-Statistic 22.54978 -2.420702 -2.488444 -4.648715 -2.985129 -3.262329 1.412256 Prob. 0.0000 0.0215 0.0184 0.0001 0.0055 0.0027 0.0678 0.011696 0.038974 -6.175119 -5.833875 1.501590

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat

RESIDUOS DE LA REGRESIN (RCP)

.12 .08 .04 .03 .02 .01 .00 -.01 -.02 -.03 97 98 99 00 01 02 03 04 05 Fitted 06 .00 -.04

Residual

Actual

PRUEBA DE NORMALIDAD DE JARQUE-BERA (RCP)

8 7 6 5 4 3 2 1 0 -0.02 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-Bera Probability -0.01 0.00 0.01 0.02 -0.000351 -6.94e-18 0.022890 -0.019732 0.009101 -0.019767 3.373405 0.229116 0.891760 Series: Residuals Sample 1997Q2 2006Q4 Observations 39

PRUEBA DEL MULTIPLICADOR DE LAGRANGE (RCP)

Breusch-Godfrey Serial Correlation LM Test: F-statistic Obs*R-squared 0.917089 4.612599 Prob. F(4,27) Prob. Chi-Square(4) 0.468301 0.329404

PRUEBA ARCH (RCP)

ARCH Test: F-statistic Obs*R-squared 1.004885 4.135386 Prob. F(4,30) Prob. Chi-Square(4) 0.420469 0.387993

PRUEBAS DE ESTABILIDAD PARAMTRICA (RCP) Pruebas de Cusum y Cusum cuadrado

1.6
15 10 5 0 -5

1.2

0.8

0.4

0.0
-10

-0.4
-15 2002 2003 CUSUM 2004 2005 2006

2002

2003

2004

2005

2006

5% Significance

CUSUM of Squares 5% Significance

PRUEBAS DE ESTABILIDAD PARAMTRICA (RCP) Pruebas de coeficientes recursivos


.085 .080 .075 .070 .065 .060 .055 .050 2003 2004 2005 2006 0.4 0.2 0.0 -0.2 -.1 -0.4 -0.6 -0.8 -1.0 2003 2004 2005 2006 -.3 2003 2004 2005 2006 -.2 .0 .1

Recursive C(1) Estimates 2 S.E.

Recursive C(2) Estimates 2 S.E.

Recursive C(3) Estimates 2 S.E.

0.0 -0.2 -0.4 -0.6 -0.8 -1.0 -1.2 -1.4 2003 2004 2005 2006

.1 .0 -.1 -.2 -.3 -.4 -.5 -.6 2003 2004 2005 2006

-0.4 -0.6 -0.8 -1.0 -1.2 -1.4 -1.6 -1.8 2003 2004 2005 2006

Recursive C(4) Estimates 2 S.E.

Recursive C(5) Estimates 2 S.E.

Recursive C(6) Estimates 2 S.E.

.6

.00 -.01

.4 -.02 .2 -.03 -.04 -.05 -.2 -.06 -.4 2003 2004 2005 2006 -.07 2003 2004 2005 2006

.0

Recursive C(7) Estimates 2 S.E.

Recursive C(8) Estimates 2 S.E.

MCE: Mtodo de Barsden & Bewley Ecuacin de corto plazo (RCP_BB)


Dependent Variable: DLY Method: Least Squares Date: 03/15/07 Time: 13:36 Sample (adjusted): 1997Q2 2006Q4 Included observations: 39 after adjustments Convergence achieved after 6 iterations Newey-West HAC Standard Errors & Covariance (lag truncation=3) DLY = C(1)*D4 + C(2)*(LY(-1) - C(3)*LYX(-1) - C(4)*LTOT(-1) - C(5) *LTCR(-1) + C(6)*@TREND )+ C(7)*DLY(-2) + C(8)*DLYX(-1) + C(9)*DLTOT(-1) + C(10)*DR(-2) + C(11)*DLTCR Coefficient C(1) C(2) C(3) C(4) C(5) C(6) C(7) C(8) C(9) C(10) C(11) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood 0.039721 -0.413738 0.904290 0.494190 0.442940 -0.003492 -0.218618 -0.927800 -0.228875 -1.041746 0.131747 0.956090 0.935824 0.009873 0.002535 132.6669 Std. Error 0.011091 0.187739 0.115996 0.155673 0.157929 0.001242 0.069926 0.297202 0.072839 0.235709 0.078603 t-Statistic 3.581288 -2.203795 7.795877 3.174538 2.804687 -2.812187 -3.126397 -3.121778 -3.142220 -4.419624 1.676115 Prob. 0.0014 0.0366 0.0000 0.0038 0.0094 0.0092 0.0043 0.0044 0.0042 0.0002 0.0057 0.011696 0.038974 -6.136762 -5.582242 1.726276

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat

RESIDUOS DE LA REGRESIN (RCP_BB)

.12 .08 .04 .00 .02 -.04 .01 .00 -.01 -.02 97 98 99 00 01 02 03 04 05 Fitted 06

Residual

Actual

PRUEBA DE NORMALIDAD DE JARQUE-BERA (RCP_BB)

8 7 6 5 4 3 2 1 0 -0.02 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-Bera Probability -0.01 0.00 0.01 2.09e-06 -0.000984 0.013949 -0.018554 0.008167 -0.134001 2.612927 0.360182 0.835194 Series: Residuals Sample 1997Q2 2006Q4 Observations 39

PRUEBA DEL MULTIPLICADOR DE LAGRANGE (RCP_BB)

Breusch-Godfrey Serial Correlation LM Test: F-statistic Obs*R-squared 0.542062 3.498870 Prob. F(4,22) Prob. Chi-Square(4) 0.706514 0.478050

PRUEBA ARCH (RCP_BB)

ARCH Test: F-statistic Obs*R-squared 1.616380 6.205677 Prob. F(4,30) Prob. Chi-Square(4) 0.195890 0.184306

PRUEBAS DE ESTABILIDAD PARAMTRICA (RCP) Pruebas de Cusum y Cusum cuadrado

15 10 5

1.6

1.2

0.8

0
0.4

-5
0.0

-10 -15 2002 2003 CUSUM 2004 2005 2006


-0.4 2002 2003 2004 2005 2006

5% Significance

CUSUM of Squares 5% Significance

PRUEBAS DE ESTABILIDAD PARAMTRICA (RCP) Pruebas de coeficientes recursivos


.085 .080 .075 .070 .065 .060 .055 .050 2003 2004 2005 2006 0.4 0.2 0.0 -0.2 -.1 -0.4 -0.6 -0.8 -1.0 2003 2004 2005 2006 -.3 2003 2004 2005 2006 -.2 .0 .1

Recursive C(1) Estimates 2 S.E.

Recursive C(2) Estimates 2 S.E.

Recursive C(3) Estimates 2 S.E.

0.0 -0.2 -0.4 -0.6 -0.8 -1.0 -1.2 -1.4 2003 2004 2005 2006

.1 .0 -.1 -.2 -.3 -.4 -.5 -.6 2003 2004 2005 2006

-0.4 -0.6 -0.8 -1.0 -1.2 -1.4 -1.6 -1.8 2003 2004 2005 2006

Recursive C(4) Estimates 2 S.E.

Recursive C(5) Estimates 2 S.E.

Recursive C(6) Estimates 2 S.E.

.6

.00 -.01

.4 -.02 .2 -.03 -.04 -.05 -.2 -.06 -.4 2003 2004 2005 2006 -.07 2003 2004 2005 2006

.0

Recursive C(7) Estimates 2 S.E.

Recursive C(8) Estimates 2 S.E.

PROCEDIMIENTO DE JOHANSEN-JUSELIUS CONCEPTOS APLICADOS

PROCEDIMIENTO DE JOHANSEN-JUSELIUS

Modelo VAR
xt
t it

xt

et

Sumando y restando varios rezagos de xt, :


xt donde : Ai [ [
i i i

xt

A1 xt ...

... A1 1 xt

1 1

] I

Esta ltima matriz contiene la informacin sobre la relacin de largo plazo entre las variables consideradas.

PROCEDIMIENTO DE JOHANSEN-JUSELIUS

Johansen demostr que, bajo el supuesto inicial de que las series econmicas son I(1) entonces todos los elementos de la ecuacin anterior, excepto xt-1 son I(0). Esto implica que para que xt-1 pertenezca al mismo espacio vectorial se requiere que la combinacin de variables incluidas en el modelo como solucin de largo plazo generen una serie I(0), lo cual se resuelve bajo tres casos:

La matriz tiene rango completo, lo que implica que Xt es estacionario. La matriz tiene rango cero, lo que implica y por tanto las series no cointegran y la ecuacin solo es vlida incluyendo slo variables en primeras diferencias. La matriz tiene rango menor que el nmero de variables incluidas, con lo cual existe al menos una combinacin lineal de las variables incluidas que es I(0), conocida como vector de cointegracin.

PROCEDIMIENTO DE JOHANSEN-JUSELIUS

Johansen indica que es posible escribir la matriz de largo plazo como: Donde es la matriz compuesta por los vectores de cointegracin y es la matriz de ponderaciones. Los vectores se definen inicialmente como vectores columna y se define como matriz transpuesta. As, en el caso de soluciones mltiples puede suponerse que una combinacin lineal de los coeficientes en representa tambin una posible solucin. El uso de un VAR que contenga un vector de cointegracin y su respectivo vector de ponderaciones permite resolver el problema de regresiones espurias y el sesgo en los estimadores y, hace posible analizar los supuestos de exogeneidad.

PROCEDIMIENTO DE JOHANSEN-JUSELIUS EJEMPLO FUNCIN CONSUMO PRIVADO

Prueba de cointegracin: procedimiento JJ Determinar rezago ptimo


VAR Lag Order Selection Criteria Endogenous variables: LCP LYND R_EXP Sample: 1991Q1 2006Q4 Lag 0 1 2 3 4 5 6 LogL 240.5186 334.8987 347.0361 386.8329 439.8162 459.2272 473.6445 LR NA 174.2401 21.00703 64.28728 79.47484 26.87687 18.29887* FPE 2.16e-08 8.12e-10 7.22e-10 2.23e-10 4.18e-11 2.89e-11 2.45e-11* AIC -9.135331 -12.41918 -12.53985 -13.72434 -15.41601 -15.81643 -16.02479* SC -9.022759 -11.96889 -11.75185 -12.59863 -13.95257 -14.01528* -13.88593 HQ -9.092173 -12.24655 -12.23775 -13.29277 -14.85496 -15.12591 -15.20480*

* indicates lag order selected by the criterion LR: sequential modified LR test statistic (each test at 5% level) FPE: Final prediction error AIC: Akaike information criterion SC: Schwarz information criterion HQ: Hannan-Quinn information criterion

Prueba de cointegracin: procedimiento JJ


Sample (adjusted): 1994Q2 2006Q4 Series: LCP LYND R_EXP Exogenous series: D2 D4 Lags interval (in first differences): 1 to 6 Unrestricted Cointegration Rank Test (Trace) Hypothesized No. of CE(s) None * At most 1 At most 2 Trace Statistic 42.94294 11.44625 0.477491 0.05 Critical Value 29.79707 15.49471 3.841466

Eigenvalue 0.460753 0.193518 0.009319

Prob.** 0.0009 0.1855 0.4896

Trace test indicates 1 cointegrating eqn(s) at the 0.05 level Unrestricted Cointegration Rank Test (Maximum Eigenvalue) Hypothesized No. of CE(s) None * At most 1 At most 2 Max-Eigen Statistic 31.49669 10.96876 0.477491 0.05 Critical Value 21.13162 14.26460 3.841466

Eigenvalue 0.460753 0.193518 0.009319

Prob.** 0.0012 0.1558 0.4896

Max-eigenvalue test indicates 1 cointegrating eqn(s) at the 0.05 level

Procedimiento JJ: Vector de cointegracin


Vector Error Correction Estimates Sample (adjusted): 1994Q2 2006Q4 Standard errors in ( ) & t-statistics in [ ] Cointegrating Eq: LCP(-1) LYND(-1) CointEq1 1.000000 -0.828211 (0.01955) [-42.3542] 0.314352 (0.07623) [ 4.12361] -1.882619 D(LCP) -0.563924 (0.35060) [-1.60847] D(LYND) 1.031112 (0.66885) [ 1.54161] D(R_EXP) -0.418145 (0.48153) [-0.86837]

R_EXP(-1)

C Error Correction: CointEq1

MCE: procedimiento JJ Funcin Consumo Privado (FCP-JJ)


Dependent Variable: DLCP Sample (adjusted): 1993Q4 2006Q4 Included observations: 53 after adjustments Newey-West HAC Standard Errors & Covariance (lag truncation=3) Variable ECM_JJ(-1) DLCP(-1) DLCP(-2) DLCP(-3) DLCP(-4) DLYND DLYND(-4) DR(-4) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Coefficient -0.372487 -0.279312 -0.337233 -0.235132 0.333785 0.329578 -0.177436 -0.104559 0.989343 0.987112 0.009219 0.003654 178.7236 Std. Error 0.082371 0.073464 0.064822 0.041770 0.110901 0.037878 0.051160 0.054363 t-Statistic -4.522061 -3.802052 -5.202484 -5.629159 3.009768 8.701063 -3.468256 -1.923342 Prob. 0.0000 0.0004 0.0000 0.0000 0.0044 0.0000 0.0012 0.0611 0.010623 0.081202 -6.366928 -5.995175 1.769984

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat

RESIDUOS DE LA REGRESIN (FCP-JJ)

.2 .1 .0 -.1 -.2

.03 .02 .01 .00 -.01 -.02 94 95 96 97 98 99 00 01 02 03 04 05 06 Residual Actual Fitted

PRUEBA DE NORMALIDAD DE JARQUE-BERA (FCP-JJ)

10 Series: Residuals Sample 1993Q4 2006Q4 Observations 53 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-Bera Probability -0.01 0.00 0.01 0.02 -0.000260 -0.001681 0.023634 -0.016873 0.008379 0.680646 3.221103 4.200256 0.122441

PRUEBA DEL MULTIPLICADOR DE LAGRANGE (FCP-JJ)

Breusch-Godfrey Serial Correlation LM Test: F-statistic Obs*R-squared 1.042657 5.073344 Prob. F(4,39) Prob. Chi-Square(4) 0.397704 0.279854

PRUEBA ARCH (FCP-JJ)

ARCH Test: F-statistic Obs*R-squared 0.502295 2.139787 Prob. F(4,44) Prob. Chi-Square(4) 0.734168 0.710067

PRUEBAS DE ESTABILIDAD PARAMTRICA (FCP-JJ) Pruebas de Cusum y Cusum cuadrado

1.6
15 10 5 0 -5

1.2

0.8

0.4

0.0
-10

-0.4
-15 2001 2002 2003 CUSUM 2004 2005 2006

2001

2002

2003

2004

2005

2006

5% Significance

CUSUM of Squares 5% Significance

PRUEBAS DE ESTABILIDAD PARAMTRICA (FCP-JJ) Pruebas de coeficientes recursivos

-.1 -.2 -.3 -.4

-.10 -.15 -.20 -.25

-.20 -.25 -.30 -.35

-.12 -.16 -.20 -.24 -.28 -.32 -.36 2003 2004 2005 2006 2003 2004 2005 2006

-.30 -.5 -.6 -.7 2003 2004 2005 2006 -.35 -.40 -.45 2003 2004 2005 2006 -.40 -.45 -.50

Recursive C(3) Estimates 2 S.E.

Recursive C(4) Estimates 2 S.E.

Recursive C(5) Estimates 2 S.E.

Recursive C(6) Estimates 2 S.E.

.6 .5 .4 .3 .2 .1 .0 2003 2004 2005 2006

.50 .45 .40 .35 .30 .25 .20 2003 2004 2005 2006

-.04 -.08 -.12 -.16 -.20 -.24 -.28 -.32 -.36 2003 2004 2005 2006

.10 .05 .00 -.05 -.10 -.15 -.20 -.25 -.30 2003 2004 2005 2006

Recursive C(7) Estimates 2 S.E.

Recursive C(8) Estimates 2 S.E.

Recursive C(9) Estimates 2 S.E.

Recursive C(10) Estimates 2 S.E.

El CONCEPTO DE EXOGENEIDAD EN LA ECONOMETRA MODERNA: CONCEPTOS APLICADOS

CONCEPTO DE EXOGENEIDAD

El concepto de exogeneidad es el instrumento que utiliza la econometra moderna para enfrentar problemas asociados a la relativa arbitrariedad de las formas de especificacin, de la seleccin de las variables exgenas y de la crtica de Lucas. El cumplimiento de las condiciones de exogeneidad en un modelo economtrico permite realizar inferencias estadsticas vlidas y obtener proyecciones y simulaciones de poltica econmica adecuadas. En trminos generales, una variable exgena es aquella que se determina por fuera del sistema analizado sin que ello implique perder informacin relevante con respecto al modelo construido.
Esta definicin depende de los parmetros de inters y de los propsitos del modelo en consideracin.

CONCEPTO DE EXOGENEIDAD

Exogeneidad dbil: permite realizar inferencias estadsticas vlidas sobre los parmetros de inters, que estn distribuidos libre e independientemente. Exogeneidad fuerte: se define como la suma de la exogeneidad dbil ms la presencia de la no causalidad en el sentido de Granger. Esta condicin permite realizar pronsticos de las series correspondientes basados en modelos vlidos de probabilidad condicional.
La causalidad de Granger se define considerando el caso de dos variables (Y,X), donde X no causa en el sentido Granger a Y si la prediccin que se realiza sobre el presente de Y no puede mejorarse utilizando valores rezagados de X. Esta condicin se prueba con la siguiente ecuacin:

yt

i t i

i t i

Ho : (

CONCEPTO DE EXOGENEIDAD

Superexogeneidad: se define como la combinacin de la condicin de exogeneidad dbil mas la propiedades de invarianza del modelo economtrico en cuestin. Esta condicin permite realizar simulaciones de poltica econmica y representa una solucin a la crtica de Lucas, sobre la variacin de los parmetros ante modificaciones de la poltica econmica. Consecuencias: Permite que los coeficientes sean invariantes ante cambios de las reglas de poltica econmica, lo cual invalida la crtica de Lucas. Invlida la posibilidad de invertir el modelo de probabilidad condicional, p.e., una ecuacin de demanda de dinero no se puede invertir para utilizarla como ecuacin de precios. Permite identificar a los parmetros que tienen un valor nico, ya que cualquier otra combinacin de parmetros del modelo condicional y el marginal no seran constantes.

PRUEBAS DE EXOGENEIDAD

1. yt = 0 + 1iyt-i-1 + 2izt-i + e1t 2. zt = 3 + 4iyt-i-1 + 5izt-i-1 + e2t


Reparametrizacin con un solo vector de cointegracin:

3. yt = 11(y 1z)t-1 + 12yt-1 + 13zt-1 + e1t


4. zt = 21(y 1z)t-1 + 22yt-1 + 23zt-1 + e2t

Los parmetros de inters cuando se modela la ecuacin (3) de forma independiente son (1, 11, 12, 13).

PRUEBAS DE EXOGENEIDAD

Exogeneidad dbil: probar la significancia de la siguiente hiptesis: Ho : 21 = 0

La condicin de exogeneidad dbil se deriva de la superexogeneidad, esto es, la presencia de estabilidad estructural indica que el modelo no excluye informacin relevante. zt no se ajusta a la presencia de los desequilibrios captados por el ECM, aunque puede reaccionar a los cambios en los valores rezagados de yt-1

PRUEBAS DE EXOGENEIDAD

Exogeneidad fuerte: corresponde a la prueba de no causalidad de Granger, que se prueba analizando la significancia de la siguiente hiptesis: Ho: 13 = 0 Ho: 22 = 0 La exogeneidad fuerte indica que zt no es afectada por los desequilibrios entre yt y zt ni tampoco por los cambios pasados en yt

Superexogeneidad: corresponde al anlisis de la invarianza y estabilidad estructural de los parmetros del modelo: (1, 11, 12, 13, 21, 22, 23). Esta prueba se realiza con los test de Chow y mtodos recursivos (Cusum y Cusum Q).

PRUEBAS DE EXOGENEIDAD

La invarianza de los parmetros se analiza estableciendo la estabilidad de (3) y la inestabilidad de (4), que se puede hacer estable incluyendo variables dicotmicas. 1. Las variables dicotmicas incluidas en el modelo marginal (4) se incluyen en el modelo inicial de probabilidad condicional (3) y se analiza su significancia estadstica. La insignificancia estadstica prueba superexogeneidad.

2. Prueba de Haussman donde los residuos del modelo marginal (4) se incluye en el modelo original (3). Su insignificancia estadstica es prueba de superexogeneidad. Residuos de (3) pueden interpretarse como los cambios de poltica econmica. 3. Invertir la ecuacin original (3) y comprobar que sus parmetros no son estables.

CASOS DE EXOGENEIDAD

(1) yt = zt + w1t (2) zt = yt-1 + (yt-1 zt-1) + w2t Donde : = cov(w1t,w2t)


: determina la cointegracin entre yt y zt

: determina la causalidad de Granger entre y y z : determina la no presencia de exogeneidad dbil para zt


: determina la presencia de efectos contemporneos

CASOS DE EXOGENEIDAD

1. Si = = = 0, entonces Zt es exgena dbil y exgena fuerte. yt = zt 2. Si = = 0 0 existe sesgo simultaneo.

yt = zt + zt 3. Si = = 0 pero 0 entonces y causa en el sentido de Granger a zt y entonces z no es exgena fuerte pero puede aun es exogena dbil
yt = zt

CASOS DE EXOGENEIDAD

4. Si = = 0 pero 0 se rechaza exogeneidad dbil para zt,,, entonces se requiere estimacin conjunta de:

yt = zt + w1t zt = yt-1 + (yt-1 zt-1) + w2t


5. Si = 0 pero 0 y 0 se rechaza exogeneidad dbil

para zt.

El CONCEPTO DE EXOGENEIDAD EN LA ECONOMETRA MODERNA: Caso de la funcin de consumo privado

Prueba de cointegracin: procedimiento JJ Exogeneidad Dbil


Vector Error Correction Estimates Sample (adjusted): 1994Q2 2006Q4 Standard errors in ( ) & t-statistics in [ ] Cointegrating Eq: LCP(-1) LYND(-1) CointEq1 1.000000 -0.828211 (0.01955) [-42.3542] 0.314352 (0.07623) [ 4.12361] -1.882619 D(LCP) -0.563924 (0.35060) [-1.60847] D(LYND) 1.031112 (0.66885) [ 1.54161] D(R_EXP) -0.418145 (0.48153) [-0.86837]

R_EXP(-1)

C Error Correction: CointEq1

Prueba de exogeneidad dbil: dlynd


Dependent Variable: DLYND Sample (adjusted): 1992Q4 2006Q4 Included observations: 57 after adjustments Newey-West HAC Standard Errors & Covariance (lag truncation=3) Variable ECM_JJ(-1) D1 D2 D3 D4 DLYND(-1) DLYND(-2) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Coefficient -0.072412 0.048361 -0.049885 -0.027093 0.077637 -0.448134 0.239376 0.796675 0.772276 0.022868 0.026147 138.2016 Std. Error 0.085469 0.016301 0.013230 0.008129 0.008106 0.164512 0.144923 t-Statistic -0.847233 2.966688 -3.770602 -3.332717 9.577267 -2.724028 1.651749 Prob. 0.4009 0.0046 0.0004 0.0016 0.0000 0.0089 0.1049 0.011276 0.047921 -4.603565 -4.352664 1.893308

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat

Prueba de exogeneidad dbil: dr


Dependent Variable: DR Sample: 1996Q1 2006Q4 Included observations: 44 Newey-West HAC Standard Errors & Covariance (lag truncation=3) Variable ECM_JJ (-1) DR(-4) DR(-5) DR(-6) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Coefficient -0.012896 0.422510 -0.255619 -0.281393 0.528244 0.492863 0.011668 0.005445 135.5045 Std. Error 0.037048 0.149968 0.125721 0.103642 t-Statistic -0.348087 2.817329 -2.033223 -2.715045 Prob. 0.7296 0.0075 0.0487 0.0097 -0.001995 0.016384 -5.977475 -5.815276 1.988312

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat

Prueba de exogeneidad fuerte


Pairwise Granger Causality Tests Sample: 1991Q1 2006Q4 Lags: 6 Null Hypothesis: Niveles LCP does not Granger Cause LYND LYND does not Granger Cause LCP R_EXP does not Granger Cause LCP LCP does not Granger Cause R_EXP Null Hypothesis: Primera diferencia DLCP does not Granger Cause DLYND DLYND does not Granger Cause DLCP DR does not Granger Cause DLCP DLCP does not Granger Cause DR Obs 58 F-Statistic 4.17404 2.49647 2.94316 2.05143 F-Statistic 2.60262 2.41204 4.26282 1.78432 Probability 0.00203 0.03598 0.01820 0.08168 Probability 0.03023 0.04211 0.00223 0.12849

52

Obs 57

51

Prueba de superexogeneidad: Estabilidad Paramtrica

1.6
15 10 5 0 -5

1.2

0.8

0.4

0.0
-10

-0.4
-15 2001 2002 2003 CUSUM 2004 2005 2006

2001

2002

2003

2004

2005

2006

5% Significance

CUSUM of Squares 5% Significance

Prueba de superexogeneidad: dlynd - dr


Dependent Variable: DLCP Sample (adjusted): 1993Q4 2006Q4 Included observations: 53 after adjustments Variable ECM_JJ(-1) DLCP(-1) DLCP(-2) DLCP(-3) DLCP(-4) DLYND DLYND(-4) DR(-4) RES_DLYND RES_DLYND**2 RES_DR RES_DR**2 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Coefficient -0.376599 -0.259246 -0.333188 -0.222017 0.324806 0.268105 -0.125429 -0.149137 0.157415 -4.147558 -0.145658 16.04520 0.991065 0.988087 0.008863 0.003064 183.3949 Std. Error 0.104800 0.063305 0.053889 0.044597 0.102663 0.084722 0.060574 0.071346 0.097676 2.966599 0.171945 10.49646 t-Statistic -3.593509 -4.095205 -6.182805 -4.978254 3.163805 3.164536 -2.070680 -2.090338 1.611601 -1.398085 -0.847119 1.528630 Prob. 0.0009 0.0002 0.0000 0.0000 0.0030 0.0030 0.0451 0.0432 0.1151 0.1700 0.4021 0.1344 0.010623 0.081202 -6.392260 -5.871806 1.806194

Mean dependent var S.D. dependent va r Akaike info criterion Schwarz criterion Durbin-Watson stat

Prueba de superexogeneidad: dlynd - dr


Dependent Variabl : DLCP e Sample (adjusted): 1993Q4 2006Q4 Included observations: 53 after adjustments Variable ECM_JJ(-1) DLCP(-1) DLCP(-2) DLCP(-3) DLCP(-4) DLYND DLYND(-4) DR(-4) D9601 D9602 D9403 D9404 D9501 D9702 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Coefficient -0.403119 -0.295492 -0.344738 -0.236173 0.283160 0.359573 -0.177372 -0.079235 -0.011859 -0.009223 0.003175 -0.011326 -0.013630 -0.005029 0.990696 0.986925 0.009285 0.003190 182.3241 Std. Error 0.102943 0.066920 0.058984 0.049174 0.109546 0.065181 0.061825 0.087460 0.011478 0.010732 0.011790 0.010254 0.010654 0.011993 t-Statistic -3.915934 -4.415590 -5.844600 -4.802844 2.584853 5.516516 -2.868923 -0.905961 -1.033176 -0.859368 0.269255 -1.104610 -1.279248 -0.419332 Prob. 0.0004 0.0001 0.0000 0.0000 0.0138 0.0000 0.0068 0.3708 0.3082 0.3957 0.7892 0.2765 0.2088 0.6774 0.010623 0.081202 -6.276381 -5.681576 1.631136

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat

Regresin Marginal: dlynd


Dependent Variable: DLYND Sample (adjusted): 1991Q4 2006Q4 Included observations: 61 after adjustments Newey-West HAC Standard Errors & Covariance (lag truncation=3) Variable D1 D2 D3 D4 DLYND(-1) DLYND(-2) D9702 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Coefficient 0.040618 -0.057891 -0.019106 0.081241 -0.340748 0.282470 0.071990 0.817111 0.796790 0.022326 0.026916 149.0850 Std. Error 0.011486 0.010708 0.006975 0.007102 0.125162 0.116115 0.005158 t-Statistic 3.536266 -5.406154 -2.739153 11.43911 -2.722457 2.432670 13.95575 Prob. 0.0008 0.0000 0.0083 0.0000 0.0087 0.0183 0.0000 0.012870 0.049526 -4.658526 -4.416295 2.111235

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat

Regresin Marginal: dr
Dependent Variable: DR Sample (adjusted): 1993Q4 2006Q4 Included observations: 53 after adjustments Newey-West HAC Standard Errors & Covariance (lag truncation=3) Variable D2 DR(-4) D9601 D9602 D9403 D9404 D9501 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Coefficient -0.007272 0.173086 0.046794 -0.054006 -0.073330 0.027704 0.064147 0.816392 0.792443 0.009472 0.004127 175.4980 Std. Error 0.002746 0.066316 0.004488 0.002390 0.004080 0.000177 0.001353 t-Statistic -2.648095 2.610039 10.42639 -22.59274 -17.97423 156.4053 47.42391 Prob. 0.0111 0.0122 0.0000 0.0000 0.0000 0.0000 0.0000 -0.001757 0.020791 -6.358414 -6.098187 1.363122

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat

GRACIAS

También podría gustarte