Wuolah-free-Apuntes Tema 2 - Econometría III

APUNTES TEMA 2 - ECONOMETRIA III...
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.
APUNTES TEMA 2
ECONOMETRÍA III
a64b0469ff35958ef4ab887a898bd50bdfbbe91a-7378026
Reservados todos los derechos. No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad.
Te has descargado este apunte gracias a la publicidad. También puedes eliminarla con 1 coin.
Econometria Iii
Banco de apuntes de la
MODELOS VAR: FE, FR, FF
Forma estructural
Las endógenas se encuentran en función de otras endógenas del modelo y predeterminadas.
AOYE ApYt Et
-P+
=5+AIYE-1+...+
Etviid (E
)
O,
Forma reducida
Las endógenas del modelo están en función de las predeterminadas.
Ye
-AöğtÅòÅlytitÅöApYtptsöEt
YE
=S+CIYE-1+..tCpYEP+UE
Válida para predecir VEUE =
R=AÖICAÖ)
E
xUt
=AöEt
kCi
=AöAi
Yj ujvLO
=XMjxuj
,WSIt
Y x 0 0 Mi Un
^
: ...::
I
o
o
yu xoo Mms Uu
Forma final
Las endógenas solo en función de los ruidos y retardos. Se parte de la FR.
FR YE
=S+CiYE-1+..+CpYE-P+UE
V
1- -.... CPLP YE Despejamos

=StUt
C4
E+ Q UE
UE+
=MICILIUE-M
.Ut-+42
-2+...
FASE DE ESPECIFICACIÓN Y ESTIMACIÓN
MCO ecuación por ecuación: MjmcoXXXYj

Propiedades MCO:
1.- Consistente: las explicativas son todas predeterminadas
2.- MCG no más eficiente: las explicativas son las mismas para todas las ecuaciones
ESPECIFICACIÓN
Debemos saber si este modelo tiene raíz unitaria o no a través del CONTRASTE DE DICKEY-FULLER.
Debemos tomar el logaritmo de la serie y hacer el contraste (también podemos hacerlo viendo sus raíces
inversas en Eviews).
M
Contraste: H0: tiene raíz unitaria
H1: no tiene raíz unitaria Ho
Cuando alfa valga 0,05 - 3'42-2 Valor crítico

OS
Además, si el p- valor es más grande que el valor dado según el porcentaje de alfa, se acepta H0.
x (0,05) '
HO
s
p
-value
ESTIMACIÓN
Estimamos el modelo ecuación por ecuación. Esta estimación será consistente.
CONTRASTE DEL RATIO DE LA VEROSIMILITUD
Se utiliza cuando queremos comparar dos modelos que estiman ko y ka parámetros. Debemos realizar
este contraste:
H0: modelo con K0 parámetros

H1: modelo con Ka parámetros
El estadístico es: enclabencho en ro ra vXCka

T
2 =
)
-ko)
-en
Número de restricciones
EViews nos proporciona el logaritmo de la función de verosimilitud que es LnLa.
¿QUÉ PASA SI TIENEN RAÍCES UNITARIAS?
Si hemos analizado la estacionariedad y presentan raíz unitaria, debemos introducirlas en diferencias, y

si presentasen cointegración, VECM.
CRITERIOS ELECCIÓN DE RETARDOS
① Contrastes secuenciales:
Elegimos el Pmax grande y eliminamos hasta el último significativo en los contrastes.
Contraste: HO CPRAx - HO CP CVARF
=O
O1
:
:
HI CPRAx CPTO VAR
8
FO 3
HI
:
:
Hago contrastes secuencialmente hasta que encuentre en rechazo. Cuando lo encuentre, ese es el
nª de retardos que debo incluir.
Sin embargo, puedo encontrare varios problemas:

1.- Si el pmáx es demasiado grande, podemos encontrar p demasiado grande porque siempre
existe posibilidad de cometer errores del tipo rechazar H0 cuando es cierta.
2.- Si pmáx es demasiado pequeño podemos no llegar al retardo óptimo porque el p
verdadero sea mayor que el pmáx elegido.
② Criterios de selección Bayesianos:
Debemos elegir el modelo con menor valor del criterio.
Iale
AICCp log qPM Sobreestima p.
2
)=
BICCp 2 ( pre BIC(p) ≥ HQ(p) ≥ AIC(p)
-
):logI2k
log
logCTD
BIC y HQ son consistentes funcionan mejor en
-
reclp log Iick

loget pr muestras grandes.
2
)=
)
Medimos la incertidumbre del modelo a través de la varianza.
SYE TCPYE '

R8
VARC
-8
-S+GYE-+...
8)
VARC 3 + '27
YE=S+G.YE-+...
CaYE7
7)
Las matrices de covanicazas tienen diferentes dimensiones en ambos ejemplos. Para reducir la matriz a
un solo numero, y que sea comparable, podemos hallan el determinante de la matriz de covanianzas.
③ Criterios de selección basados en la capacidad predictiva:
m
Estadístico: ISC T
+PM+1
T
-pre-s
- Se basa en la predicción de horizonte 1
- En muestras grandes, funciona peor que BIC y HQ
- En muestras pequeñas, no está claro
- Elegimos el modelo cos menor
CHEQUEO DEL MODELO
Los ruidos deben ser blancos para que las estimaciones cumplan una serie de propiedades:
FUNCIONES DE CORRELACIÓN
Para que en un contexto multivariante los ruidos sean blancos, hay que comprobar que no se
relacionan con los ruidos pasados propios ni ajenos. Mediante las funciones de correlación, partimos
de la siguiente expresión, la cual se debe cumplir para que los ruidos sean blancos:
PuitUitj s Uitj : sPui
-UIE-jeFEUIEUiEj
Puij
ECUit Uit Sustituimos por la
:O
-j)
expresión muestral
vCUitUiEj FzuitFEuîzj
Ut no es
observable,
spuiÜltjzfzûîzÜîtj
^
así que lo
sustituimos por
Fêuîkffuîzj
De este modo, el contraste viene dado por:
H0: Puij —> no hay correlación entre los ruidos blancos

-Uitj=O
H1: no H0 —> hay correlación
No debemos encontrar correlación en los órdenes pequeños. Eligiendo tan solo el orden, Eviews nos da
los gráficos de las CorrCuiz UIzij y se presentan con bandas de confianza de modo que si la
)
,
correlación muestral está dentro de esas bandas de confianza, no podemos rechazar la nula de que la
poblacional sea 0. Con las bandas de confianza, podemos adoptar la decisión de AH0 o RH0. Si nos
salimos un poco de las bandas de confianza en órdenes lejanos, AH0.
Vamos a obtener tantos residuos como variables en el modelo.
CONTRASTE DE PORTMANTEAU
Nos centramos en analizar Vj, que es la covarianza de los ruidos con su pasado. Partiendo de la
propuesta poblacional:
Vj
= E
Ut E uix uitUtj
-lit-j
=
Uit
-j
Ut
-j
UitjUatj
E
=E
E E UztU z
tj
U UatUitj
2t-j
Necesitamos un estimador: ûjÅutÜtj
svj
=fûêûtj
^
No podemos observar las u, por lo que las sustituimos por u

De este modo:
ûjfûtÜtjfuêütj
fûêÜtjfuêûtj
El contraste es: H0: V1, V2…=0

H1: noH0
y se basa en que las autocorrelaciones de hasta orden h sean 0.
Su estadístico es: h
Qn
=tFtrvjûòûjvè
j
=l
Solo tiene sentido para valores de h>p: es una deficiencia grave porque los retardos h pequeños son los
más importantes. Para RH0 o AH0, me fijo en el p-valor.
CONTRASTE DE BREUSCH-GODFREY
Partiendo de YE S lo estimamos y obtenemos los residuos u y las

^
:
+C.YE-1+..4CpYE-p+V.
VARCOV estimadas r . Queremos que el ruido no se relacione con su pasado, queremos contrastar:
H0: ut no está correlacionado hasta orden h

HA: RH0
Debemos realizar la siguiente regresión auxiliar y obtendremos la VARCOV estimada:
ûtÇYflf
.*CpYtptBûtçttBuûtntEtZç
El contraste es:
H0: B1=B2=B3…=0 ut 2 —> el pasado no afecta al presente
r.b
HA: noH0 utxrb
Estadístico:
QEreT M FT
.
2E~XuM?
-Er
Ho
Si AH0, el chequeo es correcto. Continuaríamos analizando algunas utilidades de los VAR.

Si RH0, volvemos a la estimación.
CAUSALIDAD DE GRANGER
Se busca causalidad en el sentido de Granger en el sentido de que una provoca cambios a la otra.
Pero, si una variable causa en sentido de Granger a otra, no significa que se cumpla al contrario.
Buscamos ver qué variable está detrás del movimiento de la otra.
Los pasos a seguir son:

1.- Partir del modelo: YE S YE C + C YE
:
-4tut
3Yt-3
-2+
+C.YE1+C2
4
2.- Expresarlo de forma matricial:
+ Cz Cz
ffz
.
XE hot
Ci
=
Xt + +
"
Czz "
GPC
he Czi Caà hey ast
3.- Planteamos la ecuación: XE Xt CiQht Ceåht Unt
=fi+CiXtytCi?
-1+
-2+....
-2+....
ht C XEL + C-
2T
C
2PXE-2+...
C2cHE-Z....+Uat
-fat
+
22HE-
4.- Realizar el contraste/s
H0: ht——>xt ht no causa a xt Ci = 3=0
4 2 2
2-Ci2:C9
C
H1: ht——>xt ht sí causa a xt
H0: xt——>ht xt no causa a ht çãçâççèççz
"o
H1: xt——>ht xt sí causa a ht
PREDICCIÓN
Usamos siempre la FORMA REDUCIDA para predecir.

Queremos predecir valores para las variables en periodos que no tenemos en la muestra. Se trata de ver
con nuestros valores actuales, qué pasará en el futuro. Hallamos los valores muéstrales estimando:
YttîtŞtçîyttÇâytûtCâffmztÇüyez
YeepiŞtÇîûttîtÇzyâkÇyzîeÇuyez
ûteŞŞtÇYûrâtÇzûzîtÇzûzzÇûûzm
De esta forma obtenemos predicciones recursivas, ya que obtenemos recursivamente predicciones
basadas en los periodos anteriores.
El error de predicción sería: Ytth YT
+NIT
-
ESPECIFICACIÓN ESTRUCTURAL
La especificación estructural se utiliza para dotar de intuición económica a los resultados obtenidos.
Para ello, necesitamos la FE, dado que la FR solo es válida para predecir.
Entre las principales herramientas para el análisis económico, se encuentran:
1º.- Funciones de respuesta al impulso: miden la reaccion de las variables endógenas ante un
shock (impulso) inesperado de las endógenas (en uno de los ruidos estructurales), manteniendo el
resto de los ruidos estructurales constantes.
2º.- Descomposición de la varianza del error de predicción: miden la proporción de la varianza
del error de predicción que se explica por un impulso inesperado en alguna de las endógenas (en los
ruidos estructurales), manteniendo el resto de los ruidos estructurales constantes.
Para realizar la especificación estructural, necesitamos obtener la FRI a partir de la FE, FR y FF:
FE AOYE A YE ApYt VCEE

:
-p+Et
-1+.....
,
):E
)
Pasa dividiendo
FR YE
=AóA,Yt1+.AöBpYtptDöEt
V Cu
+)-DÖ[Aö
' CpYtp ut
YE=CYE-1T...+
:
Cp Ut
:BöEt
-AöAp
Puedo hallar la FF con un VAR(1): YE =
CYE +
u
+
-1
Ye tut
-CCCYt-2tUE-.)
YE
=CCCCCYE-3-ut-2)tat-sI+uz
YE CCCYt CCut CUE
=
-3-
-tut
-2+
YE 4 4 44 Y Lp
=
t+
ut-1+4uE-2+...
t-P
)
-fLEy....
Siempre podré estimar los 4 porque es una combinación lineal de la FR. Debemos poner esta expresión
en función de Et para hallar la FRI. Para ello, sabemos que —> Ut
=BöEt
FF YE
=DöEttØAöEt1x...+YBÖEEp
YE EEI TRpEEp
:RoEE-R.
+...
Rh
=YnBö
Expresamos matricialmente esta expresión:
Ri Ri Ri Riz
Ests+...
2
Xt Est Ria Eetp
Rü
? y
ht R Rå E Rai R EzE Rz R Ezt

2z
2P
22
2
2t
-P
-1
PROBLEMA: Rj depende de los parámetros estructurales, por lo que para estimar Rj, primero debemos
estimar los parámetros de la FE a partir de la FR. Como bien sabemos, necesitamos que las ecuaciones
estén identificadas. Ligamos los parámetros de la FE con la FR.
FR FE
çîAöAi A partir de la estimación de la FR, no
puedo encontrar una estimación única de
î los parámetros de la FE porque tengo M
=AözAö
Ecuaciones MP 142 ecuaciones más/M parámetros menos. Para
Parámetros de la
linealmente
independientes
Map FE encontrar los parámetros de la FE de forma
única a partir de la FR necesito imponer
MEM MP +R
restricciones.
Mz
Para que el sistema tenga solución, se requiere que el número de ecuaciones linealmente independientes
sea igual al número de parámetros de la forma estructural.
Debemos añadir M restricciones al sistema que tengan sentido.
1º.- Debemos imponer que las covarianzas sean nulas para aislar los shocks y poder obtener las FRI
mezome
Tij Me faltan:
MEMBMMP
=O
z
M
+
2º.- Normalizamos la diagonal principal de las varianzas y covarianzas
52 = Me faltan aún:
MRM
f
:MBM
Estas dos restricciones implican: E =I
3º.- El resto de restricciones son:

3.1.- A corto plazo: se imponen en R0. Tratan de restringir la actuación a corto plazo de las
variables ante un shock. Las más conocidas son las de Cholesky. Hacen los elementos de encima
de la diagonal principal de R0 igual a 0. Al imponer esta condición, el sistema estaría identificado
y podemos obtener Áôirâ y con ellos la FRI.
Justificamos la restricción de Cholesky con la rapidez que se mueven las variables en la economía. Las
variables ordenadas mas arriba en el VAR no responden al imparto a shocks no esperados de las
variables de abajo.
3.2.- A largo plazo: estas restricciones se imponen sobre Rã ^
Se propone de nuevo hacer 0 los elementos de encima de la diagonal principal. Ejemplo: rã

ã
-ã
-êRi
Ru Riz
RãîRzå
so
DESCOMPOSICIÓN DE LA VARIANZA DEL ERROR DE PREDICCIÓN
Para ver cuánto se mueven las variables, usamos la varianza. Queremos ver qué parte de ese movimiento
es culpable E1 y de qué parte es culpable E2. Lo debemos expresar en % del total de la varianza. Se
pueden mirar las varianzas de los errores o de las variables. Es lo mismo.
Partimos de la FF: YE + Ra Et
=RoEE
R.Et-I+
EE
-2+...
Ye
R.: RoEt tRiEte 4 R , x R
Et+a
-
E7s+..
.
-14R2Et+-25...
+
+
Yt
EEttR
t iEe
m A
i
+IF-R
+..
Eu Ye tRu
,- Ro Etth R Eeth Y t
+
:
1Et+
+.
4...
.
J periodos Posterior
después al cambio
vEn GuEh = Etth Ettn ROtRIE Exthys Etehi Y

-E
RoE
+
...
E =
I
I =
I
vÇinçRjottçRîMo
Variable i ante
cambios en la Contribución de Y1 Contribución de Ym
variable 1
Ahora necesitamos estimar los R, para lo que necesitamos los parámetros de la FE, requeriremos que el
sistema esté balanceado por medio de restricciones.
① Tij
:O
I
②Õ I
=I
=
2
③ CP y LP
De este modo queda —> V Eu tRuRn

-RoRótRiRi+...
Aplicamos a un ejemplo —>
çéj vlæv
t
V
=
RûRizRiRai
vÇŞg
)Carlex.9")
Rżz
.+fî"RäBäRääMkzkêñä
Rż Riz Rżå
)arlèvçj
vlęw
)-RİtRÅtRîîtriétkîRîzk
Agrupamos los elementos —> vC
%xl-RiPtCRiP+...-'IKJECRizPtCRåP+...+(Rä2)=A
C =
B E z
= C
.
Una vez estimados los R, conocemos vlçîl
Podemos ver que los shocks de E1 y E2 influyen a la varianza (B y C=A)
100 B % del movimiento de x que vendrá

A explicado por E1
DESCOMPOSICIÓN DE LA VARIANZA —
>
100. € % del movimiento futuro de x que
a
vendrá explicado por E2
MODELO DE CORRECCIÓN DEL ERROR
Cuando regresamos variables no estacionarias en niveles, hay riesgo de regresión espuria.

Aparentemente, la relación es buena, pero en realidad no lo es.
Observaremos un R sistemáticamente alto y las estimaciones serán aparentemente estadísticamente
significativas aunque en realidad no exista una relación de causalidad entre las variables.
¿Por qué parece tan buena la regresión de los niveles?
alto porque j y alta.
Rêl 2
y
-ôêê?
Cuando hay tendencia lineal, el coeficiente es significativo porque la endógena tiene tendencia propia
y la tendencia de la explicativa actúa como variable proxy. Incluso cuando no hay tendencia lineal, los
estadísticos no tienen la distribución habitual, por lo que los contrastes de significatividad habituales no
son válidos.
¿Cómo hemos estudiado la relación entre dos series estacionarias?
Hasta ahora, las transformábamos en estacionarias diferenciándolas, pero aunque evitemos esos riesgos
de regresión espuria, estábamos perdiendo información del nivel de las series: eliminamos la tendencia de
las series y nos centramos en analizar cómo se relacionan a corto plazo.
Sin embargo, hay variables que no tienen una relación espuria a largo plazo debido a fuerzas del
mercado a medidas de política económica, por lo que se dice que esas variables cointegran.
COINTEGRACIÓN
¿Cuándo se dice que las variables cointegran?

Cuando no se separan mucho entre ellas en su dinámica en niveles —> se dice que tienen una tendencia
estocástica común (cuando siguen el mismo patrón)
Si lo hacen, actúan las fuerzas que reducen los errores de equilibrio.
M variables I(d) están cointegran as si existe una combinación lineal no nula de todas ellas que sea I(d-1),
es decir, I(0) o de orden menor.
CONTRASTE DE ENGLE Y GRANGER
Imagina que tenemos dos variables, Y1 y Y2 que son I(1). Podría existir una o varias combinaciones
lineales estacionarias como: BiYnt +
BaJzE=EX~ICo)
Pero no siempre conocemos esa combinación lineal. ¿Cómo sabemos si existe esa combinación lineal?
① A veces nos dice la teoría económica lo que valen las betas 1 y 2 como en los tipos de interés.
② Otras veces, tendremos que estimar regresando las series en niveles y obtener sus residuos
(regresión de cointegración).
Pero debemos comprobar si la combinación lineal es estacionaria o no, aplicando el test ADF a los
residuos siguiendo unas pautas:
Si los parámetros nos los da la teoría económica —> aplicamos AFD a Et
Si estimamos para comprobar la teoría económica o porque no hay teoría económica —> aplicamos
ADF a et sin constante, sin tendencia.
Además, debemos tener en cuenta, que los valores que Eviews proporciona no son válidos, por lo que
tenemos que acudir a las tablas de Philip y Ouliaris.
Constante en cointegración Tendencia en series
Caso 1 No No
Caso 2 Si No
Caso 3 Si Si

Wuolah-free-Apuntes Tema 2 - Econometría III

Cargado por

Información del documento

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-Apuntes Tema 2 - Econometría III

Cargado por

Copyright:

Formatos disponibles

APUNTES TEMA 2 - ECONOMETRIA III...

Facultad de Economía y Empresa

Reservados todos los derechos.

Las endógenas se encuentran en función de otras endógenas del modelo y predeterminadas.

Las endógenas del modelo están en función de las predeterminadas.

Las endógenas solo en función de los ruidos y retardos. Se parte de la FR.

1- -.... CPLP YE Despejamos

MCO ecuación por ecuación: MjmcoXXXYj

Cuando alfa valga 0,05 - 3'42-2 Valor crítico

Estimamos el modelo ecuación por ecuación. Esta estimación será consistente.

CONTRASTE DEL RATIO DE LA VEROSIMILITUD

H0: modelo con K0 parámetros

El estadístico es: enclabencho en ro ra vXCka

Si hemos analizado la estacionariedad y presentan raíz unitaria, debemos introducirlas en diferencias, y

CRITERIOS ELECCIÓN DE RETARDOS

Elegimos el Pmax grande y eliminamos hasta el último significativo en los contrastes.

Contraste: HO CPRAx - HO CP CVARF

Sin embargo, puedo encontrare varios problemas:

② Criterios de selección Bayesianos:

Debemos elegir el modelo con menor valor del criterio.

reclp log Iick

SYE TCPYE '

CHEQUEO DEL MODELO

PuitUitj s Uitj : sPui

De este modo, el contraste viene dado por:

H0: Puij —> no hay correlación entre los ruidos blancos

No podemos observar las u, por lo que las sustituimos por u

El contraste es: H0: V1, V2…=0

Partiendo de YE S lo estimamos y obtenemos los residuos u y las

H0: ut no está correlacionado hasta orden h

Debemos realizar la siguiente regresión auxiliar y obtendremos la VARCOV estimada:

Si AH0, el chequeo es correcto. Continuaríamos analizando algunas utilidades de los VAR.

Los pasos a seguir son:

3.- Planteamos la ecuación: XE Xt CiQht Ceåht Unt

H0: xt——>ht xt no causa a ht çãçâççèççz

Usamos siempre la FORMA REDUCIDA para predecir.

FE AOYE A YE ApYt VCEE

ht R Rå E Rai R EzE Rz R Ezt

3º.- El resto de restricciones son:

Se propone de nuevo hacer 0 los elementos de encima de la diagonal principal. Ejemplo: rã

vEn GuEh = Etth Ettn ROtRIE Exthys Etehi Y

De este modo queda —> V Eu tRuRn

100 B % del movimiento de x que vendrá

Cuando regresamos variables no estacionarias en niveles, hay riesgo de regresión espuria.

¿Cuándo se dice que las variables cointegran?

CONTRASTE DE ENGLE Y GRANGER

También podría gustarte