wuolah-free-CUADERNO TEMA 2 - ECONOMETRÍA III

CUADERNO TEMA 2 - ECONOMETRIA II...
m_jose_18_7
Econometria Iii
4º Grado en Economía
Facultad de Economía y Empresa

Universidad de Murcia
Reservados todos los derechos.

No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad.
CUADERNO TEMA 2 - ECONOMETRÍA III
a64b0469ff35958ef4ab887a898bd50bdfbbe91a-7378032
Reservados todos los derechos. No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad.
Plan Turbo - Eliminar los vídeos + 10 descargas sin publicidad por sólo 0,99€ / mes - Oferta limitada
Econometria Iii
Banco de apuntes de la
INTRODUCCIÓN
Yt -
-
ÓSYEI +
Ee ¿Ese modelo AR(1) es estacionario? ✗ =Ó8 en valor absoluto 1081<1
En valor absoluto es estacionario
YÉXYT -1+2 1×1<1
YEÓ 8%-1+0134--2 ÓQYT -3+4 -
No lo podemos saber —> necesitamos un método.
Método: Yt -
- ✗ YEI + Et Para que sea estacionario, cogemos el AR(1) en polinomio de retardos:
ll ALIYEEL Miramos cuales son las raíces que lo hacen 0.
-
/ 1- ALI Se tiene que cumplir que las raíces valgan >1 para que sea
:O
14--4-71
>
estacionario.
Si a<1*
Yt ÓPYL-1+0134+-2 ÓQYT -3
-
-
-
'
-
Et >
1- ÓL -
ÓSE -0413=0 >

Li >
1
R2 -
Yi
-
potpixet + Ei > ÁI
Ya R} R^2 aumenta con el número de variables explicativas
po-ipnxnt-pakti-E.ie
-
_
>
.
Para resolver el problema, cogemos el R^2 ajustado.
CÓMO SE ESTIMA Y ESPECIFICA UN MODELO VAR. ESPECIFICACIÓN Y ESTIMACIÓN
PIBT Ht
PIBE
.
>
Ht ^
Productividad Empleo
Las variables tienen que entrar sin problemas de estacionalidad.
Si llamo productividad a:
lnPIBt-lnx-lnkt-lnPIBt-i-lnxt.it
≤
lntltt Tienen raíz unitaria
Yt -
Xttht <
> Xt
ht
Multiplicado por 100 sería la tasa de crecimiento, que es esto

Especial importancia a la FR.
Cogemos variables endógenas y las regresamos sobre las predeterminadas.
Mi modelo es → Xt =
Gi Gi Xu +
Gi Gi Xt-2 + . . .
+
CÚ CÚ UH
,
SE W? una
Ht GÍ Ésa k£1 [¡ g} ht -2 CÚ CÚ Uat Wiz WE
Determinan el A Variables endógenas sobre las

YE-GYt-i-caY-c-2-i.i-cpyt-p-utvcutt.RU
crecimiento. Estarán Como tenemos predeterminadas
en tasa de dos elementos -> Xt >
2×2
crecimiento, ht
por la raíz unitaria.
MCO es eficiente porque Xt depende de ✗ El y Ht de ✗ El
Ht , HEI
Necesitamos un entorno para hacer inferencia: contrastes del ratio de la verosimilitud (diap 11)
Necesito herramientas para hacerlo:
Contraste de ratio de verosimilitud: (en eviews: log likelihood)

¿Son los nªde dentro C1:0?
B Ho :C, -
0a > cii-cia.ci ,
-
-
Cia -0
A HA :C , -1-0 a >
No H0 >
C1 debe estar en el modelo.
Vcut ) =
Ra (bajo la alternativa)
B Yt =
CLYE -2-1 . . .
+
CPYT -
ptut (no aparece C1 porque = 0. Podré encontrar la estimación propuesta de

Ulut) n o Lnlo
A Yt =
CIYE ( a Ytzt Cp Ye ptvt
it
-
. . .
Vcutlirra Ln La
-
hxi (nª de restricciones en HO: C11, C12, C13, C14 = 4)
Si cojo la estimación de trol leal con determinantes y lnlrotlnlral y multiplicamos por ni de

-
observaciones del modelo: 1- [ en / rol entra ] -
Cuando hay dudas sobre si has o no raíces unitarias:
Yt-GY-L-l-GY-L-2t.tcpY-c-p-U-i.SI -
GL Cal? -
. .
-
CPLP -
-
0a >
Ki -1
EViews nos da su inversa: 1- al

kit
① Contrastes secuenciales:
' " i i
j PEG PA PMA;D P
Si p=0 —> no retardos. Regresamos sobre una constante.

Si estimo Xt y Ht sobre la constante g será la media muestral: ay ,
,
, ,,
,
g.gg
Un VAR=8 es YE-GY-L-i-GY-L-2t.tl#-8-Ut
Decir que p=8 es demasiado, es como C8=0, me he pasado.
HO :( 8=0 >
VAR(7) tengo que tener hasta un VAR(7).
HA :[ 8=10
≥
VAR(8) tendrá 8 retardos
Si escojo, la H0, tendré que comprobar si H0: C7=0. ¿Me quedo con el 7 o paso al 6?
HO :( 7=0
HA :( 7=10 VAR (7) y acabo
Si con 7 también me paso: HO :[6=0
HA :[ 6=10 VAR (6) se acaba
Y así... Paro cuando rechazo la hipótesis nula. → orden del VAR.
Para el contraste: O HO :( 8=0 >

VAR(7)
A HA :( 8=10 >
VAR(8)
VAR(7) >
lnlo
llnha lnlo)~x¡
>
> 2. -
"
VAR(8) >
enla
—> Si empezamos con un pmax muy pequeño, va a ser insuficiente para el p*

1ª) Debemos fijarnos en el volumen de datos → años → 10 años → VAR(1). Si tenemos muchísimos, el que
queramos.
2ª) En función de la periodicidad —> trimestrales: pmax: 8, estoy viendo hasta t-8, pero como son
trimestrales, serían 2 años. Un pmáx: 8 o12, mirar 2 años son suficientes.
Datos mensuales —> 24 retardos → 2 años hacia atrás.
Si el pmáx fuese demasiado pequeño, habré metido menos dinámica de la serie.

Si no dinamizo, se va al error, me saldrá que los ruidos no son blancos y habrá
que volver a estimar/especificar.
② Criterios de selección Bayesianos: para elegir p.
Queremos comparar qué pasa con un VAR(7) frente a un VAR(8)
VAR(8)—> estimar matriz de covarianzas D8 s

IR 81
VAR(7)—> estimar matriz de covarianzas Rz / Iz I
→
Cogemos el de menor varianza
Se suelen coger los logaritmos —> log trot <
leg I rzl
Las covarianzas disminuyen con el nª de variables explicativas. El 8 tiene más retardos que el 7. Tengo
que darle un incremento que al instrumento de más variables. Al que tenga + P, tengo que penalizarlo
más.
Hay 3 tipos de penalizaciones:
① AIC (criterio de Akaike): calcula las incertidumbres y les suma a ambosF- PM
2
T: número de observaciones
P: para el de 8 retardos es menor
2
M: número de variables (tenemos 2)

Estoy penalizando el que tiene más retardos. Del Pmáx hasta el O,
escojo el valor de P de AIC más pequeño.
No es consistente. No tiende al P* (P óptimo). En muestras grandes hay
otros que funcionan mejor.
② BIC (Schwartz): penaliza así log (r) 201908A

+ p Ma
.
Penalizo en función de p.
Es consistente
③ HQ: penaliza así log (d) loaqctp M2

+
Es consistente
Si mi muestra es muy grande y hay contradicción entre ellos, usaremos los dos últimos si es GRANDE.
Si es más pequeña, ninguno de los 3 es preferible a otro.
③ Criterios basados en predicciones:
Queremos contrastar VAR (8) con VAR(7) (en los criterios no se contrasta). M
La capacidad predictiva de los dos modelos es equivalente a: IR 1 T .
PM + +1
Elijo el que tenga una varianza de la predicción más pequeña. T PM -

-
1
1) Estimamos modelo
2) Varianza→ det
3) Se penaliza
No es consistente. Muestra pequeña: NO AIC o este.
ESPECIFICACIÓN ESTRUCTURAL
① Funciones de respuesta al impulso
Ayudan a saber cómo van afectar un aumento de i antes de tiempo al PIB europeo, por ejemplo.
Yt ?
Mt ?
it ↑
Para obtener esto, debemos conocer FR, FE, FF.
FE: AOYE Ai Yeti ' . . .

+
APYE -
p
+
Et
,
E- TÍ tía
TR Ti
Si multiplicamos por AÓ —> YEÁÓAIYEEI " .
- +
AÓAPYEPIÁÓET
FR: YÉCI Yee ,

' . . _
+
¿Pyne -
ptut *
de . .
-
¿p
todas las C son estimables.
si esas matrices de cov también.
Relación entre se yE >
si ÁÓEÁÓ
FF: puedo escribir este VAR como: Ut + V1 Ut \ Yzllt-2+43 Ut 3-1 -

+
-
. . .
donde: Yjflcyca, Cp) como puedo estimar las C, puedo encontrar la estimación
. .
.
de: Y Yj ( Ii
>
Ep)
-
, ,
. . .
Cómo cambian las variables de Yt en FE, no FR. De la FF no puedo obtener nada, tengo ut, no Et.
Tengo que convertir la FF para no tener ruidos de FR, sino de FE. Pero sé qué expresión liga ruidos de
FE con los de FR.
YEÁÓET +
Ya ÁÓEE ,
+
Ya ÁÓET-2+43 ÁÓET-3-1 . . .
-
Rj YJAÓ
-
RO Ri R2 Rs
Estos épsilon y AÓ vienen de que ut→ ÁÓET *
Por lo que → YE-ROEt-RiEt-i-R2E-L-2-R3E.li-3 +

. .
↓
Mide el impacto de
hoy por esa medida
Cada R recoge el impacto de la medida económica..
• Tenemos dos problemas:

1) No sabemos lo que valen los R y dependen de la FR → YJAIÓ
Depende de si el sistema
está o no identificado (FE)
> Depende de FR
2) No me sirven las R porque, usamos ejemplo:
Xt RÍ Ria Ri Ria Ri Ri
Eiti
=
Eet + +
E.tt + . . .
ht RI RI Est Rai RÍA Et-2 RÉ RÉ Ez -2
"Contratamos más profesores" → shock de empleo
Xtn
pin
Queremos que sea un shock ceteris paribus.
Áesu Que solo afecte a EZLZ, no al resto.
Área No puedo aislar electos. Sus covarianzas
mi no son 0.
No puedo aislar efectos si cov =/O.
>
RESTRICCIONES
¿Cuántas ecuaciones tengo?
E- ÁOA
: Incógnitas
AÓDP
SÉÁÓEDÍ
ÁÓ M2
?
A. Ap M p
viene de la FR (los parámetros a priori no son estimables a no ser que tenga solución).
E 3lti.rs?Tea)
Para saber eso, si tenemos ecuaciones ≥ incógnitas: sí
⊖
En el ejemplo de antes, pero en una MxM= M2 -
M
+
M =
M2 -1M M
2 2
En un triángulo tenemos todos M2 M
M2 la diagonal y como el triángulo a la

? ? mitad, además, le sumamos M. M
M p M p
(MINK (MEM) / 2
M2 Tengo más. No está balanceado.
Para quitarme el exceso → ↓ parámetros para estimar

→ busco extras (complicado)
Uso restricción: cojo M2 que esté en todos con restricción.
Reducimos en M2
≥
La solución fue poner restricciones en FE para reducir ni de parámetros. Debe EM
1ª.- Restricción: Imponer un O a las covarianzas de la FE. Podré mover solo 1, ceteris paribus.
Tejo , ti
MIM
Habrá elementos que ya no tengo que estimar → 2 se queda así.
Entonces, se quedaría: el exceso menos la restricción que acabo de imponer:
M2
M¥4 MÉM incógnitas más que restricciones.
-
2.-Restricción: normalización →of -1 (se puede poner en A0, pero es más fácil en E ,
se quedaría como 10 .Para saber cómo va, ?
M M :(M Mm
%
-
01 parámetros en diagonal >
3ª.-Restricción: Aún me falta
:* restricciones por poner.
Se pueden imponer restricciones a CORTO PLAZO: imponer MÍ , que en nuestro caso es

'
1, restricción adicional, que imponemos en Aó ,que equivale a R0.
—> Cholesky (todos los elementos por arriba de la diagonal principal = o). La
Corto plazo variable que está arriba no responde entonces. Aunque
(sobre R0) en R1, R12,... puede variar. Solo vale para R0.
—> Rai = 5 → Ya no lo tengo que estimar. Lo obligo a que valga 5.
—> Son infinitas (que por filas sumen =..., por columnas...)
También hay de LARGO PLAZO: JORDI GALI
100 .
llnproduct ) Ño ,
Á Ña Niveles
,
100 .
llnhorast )
LOO Un produce ln Product

.
-
- 1) =
Xt s ROIR R2
,
. . .
100 .
llnhorase-lnhorast.it he
Ñj ¡ Ri -
i :O
,
si quiero saber cómo responden los niveles de impacto: Ro
ÑÓRO
Ñ ,
-
Roth * Demostración en transparencia 34.

ÑREROTR -1ha
¿Cómo responde el nivel en muchos periodos? Si el VAR es estacionario, las R suman cosas cada vez
más pequeños.
En = (en nuestro modelo) = Ii II

RIT II
—> Imponemos restricciones ahí con las de LARGO PLAZO

Jordi Gali dijo que por todo por arriba de la diagonal sea = O.
Si ese elemento es 0, implica que el nivel de la productividad transcurridos N periodos no
reacciona a un shock de empleo (Thi = O). Pero al haber un shock de productividad, sí
que soy más productivo. Y hoy también ( Tri ) mientras que no afecte nada de empleo.
¡
>
°
Píüpí ; ¡ >
°
Áaiñ;
DESCOMPOSICIÓN VARIANZA DEL ERROR DE PREDICCIÓN
^
Yt
Si Yt
it aumenta
Mt ↓
Eth ÍÍ
Querremos saber qué culpa tiene cada movimiento
de la variable para cada uno de los shocks.
'
t
(it, Mt, Yt)
Movimiento -> ¿Qué variable tiene la
culpa?
Cuanto más varianza tiene una variable, más se mueve.

Cuanto menos varianza tiene, menos se mueve.
Da lo mismo hablar de la varianza o del error de i.

Quiero una medida para saber, si localizo en el PIB, qué va a ocurrir.
Primero: definición de la varianza del error:
YE =
Ro EL +
Rieti + Ra Ee -
a
+
. . .
FF del modelo VAR
MXI Futuro Presente y pasado
Xt
ht Yt-J-ROE-L-J-RIEHT-i-RZE.rs -
2-1 . . .
RJ-IE-c-yl-RJEt-RJHE.tl +
. . .
—>lo que valdrá en el futuro
Definimos horizonte de predicción : J
t-F-t-2-t-1-tt-t-2Yt-JIERJE-L-RJ-ieEt-l-RJ-2E.ua
Dado que tengo información hasta t
'
. .
.
→ lo que predigo que van a valer las variables en el futuro.
¿Cómo predigo las futuras? Es su media, que es O ( Etts, EEIJ -
I Et -15-2 , . . .
G-+ 1)
, ,
&¡ Ytts Yt-T-L-ROE-L-J-RE-c-J-1-Rz.EE ] -2-1
Rs-1E-i-1VEgj-EEIE-E-ROEE-c-y-E-i.is
=
+
-
. . .
Varianza o varianza de errores: cómo se van a mover
'
RÓ +
RSE Ettzi Etis! Rit .
. .
+ R.IE ETHEEIÍ RÍI
No hay covarianza por ruido blanco
Para estimar, necesito restricciones → ✓ (E) E- I Por lo que: RORÓHRRI -1 Ri IRÍ

= -
.
+ -
,
. .
Rj YIIÁÓ ) ① Tij :O VCET )

-
② Ti -1 .
③ Corto plazo
y largo plazo
✓ [ EGÉRORÓ +
RRÍ +
.
. . Ri -
IRÍ -
Vih? ) Rikki
]
Coulee .IE RIÁ AÍRÍ RÉMI

'
En Ri Ri .ir :
"
Ri Mirá RÍ
"
⊖ . = =
Ra +
+
. .
:
✗ ✗
+
Ei colega? } MEI ) RÉ Raa RIRI Ri Ria Riario Rii RÉ ÁÍRÍ

'
'
,
✗ × ✗ ✗
ht
.
Ritt RIE ✗
+ t
X
. . .
X
B C
✓ §? ]=RÍ+rii Riiirii .
-
Ez
+
.
. _
trii =
A
IÉ,
Cuanto se mueve qué parte del movimiento
cuanto se mueve la
la x por un shock futuro se debe a E1, E2 y E3
en E1 y E2 variable 1 por un shock
Ren —> respuesta de 1 ante un shock de 1
% de la var de predicción en el que E1 explica el comportamiento de x
100 .
c- para E1
A
para E2
Badi
100
-
-
Diap. 42
Con la dos de
Por ella misma Por la M
influencia por la 1
-
v19.7 .
R + Épiiii . . .
siii
j -0 j :O j :O
-
di dá dais
>
Varianza del error de predicción de horizonte j
RÍ ?
2 2 2
]
} RE PÍÍ
'
Ri RI
☐
V #
=
,
+
,
+
. . .
+
Ria + +
.
. _
+
no
2 02
✓ §; =p ? Ria
vq; R? .ir?+pii+ri:
>
+ :
EZ
E E Ez
Horizonte 1; j=1 Cholewsky
,
,
El 100% del momento viene explicado por el momento
COINTEGRACIÓN
Comparten el paseo aleatorio (dinámica de serie con raíz unitaria, no es predecible).
i12t Comparten el paseo aleatorio mucho AH2t~I.IO)
i3t Aisst ILO)

~
Si no cointegran —> VAR

Si cointegran —> MCE
Ambas son I(1), tienen raíz unitaria.
Si no se cruzan muchas veces con la media, es un paseo aleatorio.
① Teoría económica. Si este no lo sabemos, pasamos al número 2. Si no sabemos la combinación lineal,

pasamos al número 2
Diferencia entre ti corto plazo y largo plazo —> s
Se basa en que las diferencias de tipo es lo que separa a esas dos series temporales se hace
muy grande, el arbitraje hará que aumente la diferencia de ti a corto plazo y la gente se
endeudará en corto plazo. Bajará también el precio y se volverá a restablecer el equilibrio.
Aunque las series tienen raíz unitaria, las diferencias no.

Si hay combinación lineal entre ellos, cointegran y el nivel no es importante.
T-t-il2t-i3t~I.CO)
HO :-# ICI) >
H0: no cointegran —> VAR Las diferencias solo sirven para el tipo de interés
HA : IEUICO)
>
HA: cointegran —> MCE
It Si son I(0), son estacionarias.
Si son I(1), no cointegran.
≈:
no cointegran, no
se acercan.
sí cointegran, se
acercan
② Contraste de cointegran
Ét =
diil 2-L-idai3-L~I.CO)
Dividimos entre ✗\
>
¿
"
ilzttdáist
*
=
Para que se parezca a una regresión, ponemos los betas
itdt-po-pii3-L-EE-L-i12-L-po-p.it
No son observadles. No sabemos lo que valen los betas 0 y 1
t < > t
HO ELNICI)
Áth
:
> DF t
Hl :
Et -
ICO)
V Valor crítico DF
El contraste no es aplicable directamente Sí lo observamos este residuo >
Regresamos entonces —> iezt ist ¡ pi ilztipotpsiizltltc >

,
>
Una serie con constante y la otra y estimamos los parámetros

Podemos observar el residuo —> E- itdt -
Ño Ñ ist
-
,
>
Ahora el contraste debería hacerse sobre el ruido. Es una proxis basada en los residuos.
No implica obtener el HO :
CTNI (1) No cointegran > Buscamos t y distribución.
mismo resultado que
en el otro contraste. HA :
et -
ICO) Sí cointegran
Para que coincidan los RH0 o H0, en ambos, cogemos valores PO
^
Valor crítico
PO (tablas). No DF. Valores EVIEWS no válidos.
RESUMEN
Si tengo 2 series de raíz unitaria, necesitamos otros modelos ≠ VAR cuando guarden distancia que
implique que el nivel debe aparecer.
¿Es importante el nivel? F- económica porque sabemos la combinación lineal.
Si no la sabemos → contraste integración. Buscamos

una combinación lineal en la regresión.
Si el ruido es estacionario —> cointegran.
Utilizaremos valores muestrales de regresión MCO porque el otro contraste de E no lo podemos hacer.
Para asegurarnos de que RH0 o H0 en ambos, aplicamos el resultado de t y el valor crítico de PO.
BUSCAR EN LA TABLA
(N-1) —> nº total de series -1 —> aquí tenemos dos series temporales i12t y i3t.
Lo hemos reducido al -2’76, -3’37 ó -3’42 (5% de valor crítico y 1º fila). Es uno de esos 3.
CASOS 1, 2, 3 —> me fijo en las dos preguntas:
1º.- ¿Tienen las series originales (nivel) una tendencia siempre ascendente o descendente? No tiene
sentido que tenga. No se observa => NO.
Vamos a la regresión de correlación y hemos si hemos puesto constante. En la práctica, siempre hay
constante. Teóricamente, es posible, pero en la práctica, no => SÍ.
Nos iríamos al caso 2 —> -3’37 —> Valor crítico de PO.
Por ejemplo, en la diapositiva 40, el primer gráfico tiene tendencia, así que nos iríamos al caso 3.
MODELOS DE CORRECIÓN DEL ERROR
¿Cómo modelizamos el corto plazo? Como en un modelo VAR, Si tienen raiz unitaria, entran en diferencias.
Suponemos que no tienen constante y siguen un VAR 1 ( un solo retardo).
CP LP
|
Et -
l
t.it/i12t-pTo-fb,i3t)tUitDi3t-.ciiAi12t+...tCrrsi3t.
Silat :[ IIAIIZEI tci≥ A Añadimos el residuo de la
. . .
Ño fb ) , Mi 12-1 -
-
, ist +
uat función de cointegración
Diferencias Niveles et -
I en nivel y retardado un
periodo.
Se multiplicaría por -0’04 y por 0’12, respectivamente.
Á i"
1¥ ; Equilibrio de nuevo
No pediríamos un préstamo a 12, nos vamos a los de 3 y el et-1 pasaría a ser muy grande. En el
periodo siguiente, como tiene numero que multiplica, hará que los tipos de interés a 12 caigan, y
como para i3 están multiplicando por 0’12, subirán, restableciéndose el equilibrio. Debe haber un
ajuste que los devuelva a su sitio.
GENERALIZAMOS
Yt NIC 1) ICO ) Contraste de cointegración

ya Piya
+ ~
>
,
Yat ICI)
~
Yrt ~
I (d) Debemos diferenciarla en d veces para que sea estacionaria >
Yrttp , Yat # ( d- 1)
Yat NILD)
Lo extendemos a M variables:
Pll Ylt
+
Per Yat +
. . .
+ BIMYME Ert NICO) Si hay 8 series temporales (M=8), si encuentro 5 u 8
B 22kt +
Bai Yee +
. .
.
+ Pan YMT =
Est NICO) combinaciones lineales y esas 5, por ejemplo, son
i
I(0), esas series cointegran porque podemos
PMIYMT BM + -
IYM -
itt
+ . . -
+ BM , Yee =
EMTNICO) encontrar 5 combinaciones lineales para las 8
Yat iniciales.
Yat Que cointegran es que hay un paseo aleatorio
:
que comparten. Depende de cómo sea la
Ynt combinación lineal. Si tenemos M variables,
No se normaliza ahora. podemos encontrar hasta M-1 series de
correlación (paseos aleatorios que las
comparten). Si hay 7 variables, podemos
encontrar hasta 6 paseos.
✓y%¡
"
Yet En
P" Pla . -
Pim ¡
(1-1)
ikt.it?t-i3t=ItPHPk...prMYMtEnt
pa paz pan Y.at Gt
=
. . .
'
Bt
Matriz de Yt
'
Et
cointegración
P
KM
CP LP
AYEGDYEH .
. _
tcpAY-L-p-X.EE -
itut
PYT I
-
Raíz unitaria—> en VAR con diferencia para el corto plazo. I
En el largo plazo —> Et I. ✗ , que da el impacto sobre las series temporales

-
PYEI
EJERCICIO 9. PRÁCTICAS TEMA 2.
C
NICO )
Y
deben mantenerse algo estable.
I NICO )
y
Ill) ICI )
Si tomamos log—> lnct lnyt - -

ILO ) La combinación lineal entre ellos es estacionaria.
lnit LNYT - -
ICO)
Ill ) Ill)
Tenemos 3 series —> lnyt , lnct , CNIT
lnyt
lnct La teoría económica dice que dos combinaciones lineales que son estacionarias
lqtt
se adapta a este orden
-
1 10 lnit =
Gt
-101 lnct Este
lnit
esto viene de obtener -l, l, O... por esto: lnct LNYTNILO ) -
ln It -
lnyt -
ICO)
Para hacer el MCE : como tienen RU, los montamos en diferencias (al principio debe ser como un VAR)
Et -
I v Errores de equilibrio
Uit
Alnyt Culta G } ALMYEI ✗ v42 lnltl LNYEI
-
+ 42T
+
A lnct =
EU Gafas Alnctt Aridez ln-Tt-ilnY.ly 43T
A lntt [31 Gatos ALNIEI 431232 Et -2

CP LP
y
te relaciona con ese parámetro

wuolah-free-CUADERNO TEMA 2 - ECONOMETRÍA III

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

wuolah-free-CUADERNO TEMA 2 - ECONOMETRÍA III

Cargado por

Copyright:

Formatos disponibles

CUADERNO TEMA 2 - ECONOMETRIA II...

Facultad de Economía y Empresa

Reservados todos los derechos.

En valor absoluto es estacionario

YÉXYT -1+2 1×1<1

YEÓ 8%-1+0134--2 ÓQYT -3+4 -

No lo podemos saber —> necesitamos un método.

ÓSE -0413=0 >

Para resolver el problema, cogemos el R^2 ajustado.

Las variables tienen que entrar sin problemas de estacionalidad.

lntltt Tienen raíz unitaria

Multiplicado por 100 sería la tasa de crecimiento, que es esto

Cogemos variables endógenas y las regresamos sobre las predeterminadas.

Ht GÍ Ésa k£1 [¡ g} ht -2 CÚ CÚ Uat Wiz WE

Determinan el A Variables endógenas sobre las

por la raíz unitaria.

MCO es eficiente porque Xt depende de ✗ El y Ht de ✗ El

Contraste de ratio de verosimilitud: (en eviews: log likelihood)

ptut (no aparece C1 porque = 0. Podré encontrar la estimación propuesta de

hxi (nª de restricciones en HO: C11, C12, C13, C14 = 4)

Si cojo la estimación de trol leal con determinantes y lnlrotlnlral y multiplicamos por ni de

observaciones del modelo: 1- [ en / rol entra ] -

EViews nos da su inversa: 1- al

Si p=0 —> no retardos. Regresamos sobre una constante.

Decir que p=8 es demasiado, es como C8=0, me he pasado.

Si con 7 también me paso: HO :[6=0

HA :[ 6=10 VAR (6) se acaba

Y así... Paro cuando rechazo la hipótesis nula. → orden del VAR.

Para el contraste: O HO :( 8=0 >

—> Si empezamos con un pmax muy pequeño, va a ser insuficiente para el p*

Si el pmáx fuese demasiado pequeño, habré metido menos dinámica de la serie.

Queremos comparar qué pasa con un VAR(7) frente a un VAR(8)

VAR(8)—> estimar matriz de covarianzas D8 s

Cogemos el de menor varianza

Se suelen coger los logaritmos —> log trot <

M: número de variables (tenemos 2)

② BIC (Schwartz): penaliza así log (r) 201908A

③ HQ: penaliza así log (d) loaqctp M2

③ Criterios basados en predicciones:

Elijo el que tenga una varianza de la predicción más pequeña. T PM -

① Funciones de respuesta al impulso

Para obtener esto, debemos conocer FR, FE, FF.

FE: AOYE Ai Yeti ' . . .

FR: YÉCI Yee ,

FF: puedo escribir este VAR como: Ut + V1 Ut \ Yzllt-2+43 Ut 3-1 -

Estos épsilon y AÓ vienen de que ut→ ÁÓET *

Por lo que → YE-ROEt-RiEt-i-R2E-L-2-R3E.li-3 +

Cada R recoge el impacto de la medida económica..

• Tenemos dos problemas:

2) No me sirven las R porque, usamos ejemplo:

ht RI RI Est Rai RÍA Et-2 RÉ RÉ Ez -2

"Contratamos más profesores" → shock de empleo

¿Cuántas ecuaciones tengo?

En el ejemplo de antes, pero en una MxM= M2 -

En un triángulo tenemos todos M2 M

M2 la diagonal y como el triángulo a la

Para quitarme el exceso → ↓ parámetros para estimar

01 parámetros en diagonal >

Se pueden imponer restricciones a CORTO PLAZO: imponer MÍ , que en nuestro caso es

También hay de LARGO PLAZO: JORDI GALI

LOO Un produce ln Product

Roth * Demostración en transparencia 34.

En = (en nuestro modelo) = Ii II