EXOGENEIDAD

Prof. Adrián Fernández Adriá Ferná CURSO METODOS CUANTITATIVOS AVANZADOS Opción Econometría Opció Econometrí Edición 2009 Edició

CAUSALIDAD Y EXOGENEIDAD

CAUSALIDAD
CONCEPTO DE CAUSALIDAD - “CAUSALIDAD SEGUN GRANGER” . GRANGER” DEFINICION DE GRANGER PRUEBAS (TESTS) DE CAUSALIDAD
► TEST ► TEST

DE SIMS DE GEWEKE ► BLANQUEADO DE LAS SERIES

EXOGENEIDAD
PRESENTACION DEFINICIONES

EJEMPLO ENGLE ET AL.
PRESENTACION DEL MODELO NORMAL MULTIVARIANTE ANALISIS DEL EJEMPLO

1

causalidad” Ajustar un modelo de regresión es. Enfoque tradicional o “clásico” en Econometría: definir clá sico” Econometrí el modelo de regresión en base a una teoría económica regresió teorí econó previa. “una extraordinaria cantidad de fe es puesta en el conocimiento a priori proveniente de la teoría económica”. teorí econó mica” CAUSALIDAD Concepto de causalidad. segú Cuando no se está ante un experimento controlado no está es sencillo demostrar que una relación causa-efecto relació causaexiste. un regresió ejercicio de cuantificación.CAUSALIDAD Concepto de causalidad. significació Pero una alta correlación entre dos variables no correlació experimentales no constituye evidencia de una relación relació “de causalidad” entre ellas. relació dada” teorí econó Siguiendo a A. Granger (1969). según Granger. principalmente. Harvey. x se dice que “causa” a y si tomando en cuenta los causa” valores pasados de x es posible realizar mejores predicciones de y. todo lo demás igual. J. y analizar la significación del coeficiente de x. respecto de la relación entre las economé relació variables intervinientes. demá Harvey: esa definición de causalidad no corresponde a definició una definición aceptable de causa-efecto en un sentido definició causafilosófico. Enfoque usual: regresar y respecto de x . Por ello se prefiere “calificar” este concepto de calificar” causalidad como CAUSALIDAD “SEGUN GRANGER”. formalizado por C. se refiere al más limitado concepto de filosó má PREDICTIBILIDAD. GRANGER” 2 . segú La idea de analizar los supuestos implícitos en un implí modelo econométrico. lleva al concepto de CAUSALIDAD. se toma “dada” por la teoría económica. según Granger. W. No se cuestiona la existencia cuantificació de la relación.

ningú => SE DICE QUE y NO CAUSA a x EN EL SENTIDO DE GRANGER. representació Si y puede ser expresada como una función de los valores funció pasados y contemporáneos de x. X y X# denota la información respecto de la informació variable x. y sea U# la informació información presente (contemporánea). 3 . pasada y presente.X # ) x CAUSA instantáneamente a y si instantá ECM( y# |U ) < ECM( y# |U . x CAUSA a y si: ECM( y# |U# ) < ECM( y# |U# .X ) CAUSALIDAD Tests de causalidad: Test de Sims Si x y y tienen una representación como modelos AR.CAUSALIDAD Definición de causalidad. informació (contemporá De la misma forma. Sea U el conjunto de información. según Granger. con residuos no contemporá correlacionados con ningún valor de x (pasado o futuro).

yt = ∑ j= n 0 δ j xt. 4 .. especificació La prueba de que y no causa a x se convierte en un test F cuya hipótesis nula es: hipó Ho : γ 1 = γ 2 = . Se aplica un filtro ad hoc a las variables y t = Γ ( L ) x t + Φ -1 ( L ) ε t Se multiplica ambos miembros por Φ(L): Φ (L) y t = Φ (L) Γ ( L ) x t + ε t Se regresa y t respecto a y t-1....j + ∑ j =1 m γ j xt + j + εt n y m deben ser suficientemente grandes para evitar un error de especificación.CAUSALIDAD Tests de causalidad: Test de Sims (cont. .) Se plantea una regresión de y respecto a los regresió valores pasados y futuros de x. = γ m = 0 CAUSALIDAD Tests de causalidad: Test de Geweke Partiendo de yt = Γ( L ) xt + εt Γ(L) es un polinomio de grado n + m . La hipótesis de que y no causa a x puede ser probada hipó realizando un test F para los valores futuros de x. que toma en cuenta los valores futuros de x. y t-2.. y t-p junto con m valores futuros y n+p pasados de x.

representación como modelos AR (o ARMA). instan 5 . cruzadas caracterizan los patrones de causalidad. y * ) ≠ 0 para varios k caus. que x y y tienen una Sims.1/T) cuando la muestra es suficientemente grande. ± 1. y * ) = corr ( x* t . . la correlación cruzada de sus residuos se correlació distribuye IN(0. Si x* y y* denotan las series “blanqueadas”. los residuos representació de estos procesos corresponden a las series “blanqueadas”. las correlaciones blanqueadas” cruzadas se definen como: como: r k ( x * . ± 2. deberí ► ► CAUSALIDAD Tests de causalidad: Blanqueado de las Series Bajo la hipótesis nula de que x y y NO presentan una relación hipó relació de causalidad. a) r k ( x * .. y * ) ≠ 0 para algún k > 0 x → y b) r k ( x * . Estas corr. Una relación de relació causalidad en el sentido de Granger entre ambas variables debería reflejarse en ellos. como en el test de Sims. y* t ) k = 0 .k ..CAUSALIDAD Tests de causalidad: Blanqueado de las Series ► Asumiendo. blanqueadas” Las correlaciones cruzadas entre estas últimas pueden aportar información sobre los patrones de causalidad informació Los residuos son componentes de x y y que no pueden ser predichos desde su propio pasado. y * ) ≠ 0 para algún k < 0 x → y c) r k ( x * . corr.

El concepto de EXOGENEIDAD depende de la finalidad del modelo: para inferencia estadística (análisis estructural). pará Ejemplo. Explicació Variable explicativa: precios internacionales (precios mayoristas de mayoristas EE. simulació (polí econó La posibilidad de definir un modelo uniecuacional depende de la exogeneidad de las variables explicativas. por tanto.).UU.UU. Hendry y Richard (Econometrica. no es necesario modelizarla. aún cuando pueden fijas” aú haber sido generadas por un proceso estocástico como yt estocá Engle. Variable explicativa: precios mayoristas en EE. EE.UU. Se refieren a la exogeneidad de una variable con respecto a un parámetro o conjunto de pará parámetros en particular. Artí referencia obligado. modelizarla. zt.EXOGENEIDAD Presentación ► Concepto: Una variable es EXOGENA si el análisis se puede realizar aná condicional a dicha variable y. predicción o estadí (aná predicció simulación y control (política económica). Estimaciones eficientes de los parámetros requieren que no haya pérdida de información sobre pará pé informació ellos “al condicionar” en las variables explicativas. condicionar” ► ► EXOGENEIDAD Presentación ► Las variables explicativas deben ser tratadas como si fueran “fijas” en muestras repetidas. ► 6 . Por otro lado.UU. 1983). Explicación de los precios de los transables en Uruguay. Artículo de (Econometrica. demanda de dinero en EE.

funció ii) [ (yt / zt . λ).λ2) . λ1) . só pará variació (v ( λ 1 . λ 1 ) . D ( z t | X t -1 . una elasticidad 7 .. λ ) = D ( y t | z t .λ2) de λ tal que: i) Ψ sea un subconjunto (o una función) solamente de λ1. xo ) Sean los parámetros λ perteneciente a Λ pasibles de ser particionados pará en (λ1.λ2 son parámetros de variación libre (variation free). λ). λ 2 )∈ λ 1 x λ 2 donde λ 1 ∈ Λ1 λ 2 ∈ Λ 2 EXOGENEIDAD Definiciones: Exogeneidad Débil Dé z t es débilmente exógena respecto de un conjunto de dé exó parámetros de interés Ψ sí y solo sí existe una partición pará interé sí partició (λ1. X t -1 .. si y sólo si λ1.EXOGENEIDAD ► Definiciones Sea xt = (yt . xt-2. donde Xt-1 corresponde a la historia de la variable x: Xt-1 = ( xt-1.. y la partición es tal que permite la factorización (λ partició factorizació D ( xt | X t -1 . λ 2 ) La densidad condicional de yt y la marginal de zt operan un CORTE SECUENCIAL (sequential cut) en la densidad condicional D(xt /Xt-1 . (z t . zt)’ generada por un proceso con función de densidad (y funció condicional D(xt /Xt-1 . λ2) ] operan un corte secuencial ii) El elemento esencial de la exogeneidad débil es que la dé densidad marginal (de z t) no contiene información informació relevante sobre λ1 El planteamiento respecto de los “parámetros de interés” pará interé tiene relación con el (los) parámetro(s) de la ecuación ó á metro(s) relaci par ecuació principal. . Por ej.

zt ) factoriza de acuerdo a la definición de corte secuencial donde (β . ] = γ y t ..1 . la densidad condicional ( yt .t  El parámetro de interés es β. En este caso: pará interé µ=  0  0   σ 11 0   Ω=  0   σ 22  11 Las varianzas condicionales son σ yσ 22 EXOGENEIDAD Exogeneidad Débil – Ejemplo modelo recursivo Dé E [ y t | z t . σ11) definició (β y (γ . (γ respectivamente.1 De esta forma. Ω )  ε   2.t   ~ IN ( µ . ] = β z t dado que ε 1t es indep de ε 2t E [ z t | y t . 8 . σ 22) se corresponden con λ1 y λ2.. . respectivamente. .EXOGENEIDAD Exogeneidad Débil – Ejemplo modelo recursivo Dé yt = β zt + ε 1t zt = γyt −1 + ε 2t donde las perturbaciones Űit son independientes  ε 1...

λ2 ) = D(z t / Z t-1 . se exige que z no Ademá dé dependa de los valores pasados de y. entonces y no causa a z en el sentido de Granger. que no exista “retroalimentación” entre z y y. EXOGENEIDAD Definiciones: Super Exogeneidad zt es super exógena respecto a un conjunto de exó parámetros de interés Ψ sí y solo si z t es débilmente pará interé dé exógena respecto a Ψ y λ1 es invariante a exó intervenciones que afecten a λ2 Si bien la exogeneidad fuerte implica la causalidad según Granger. Yo . segú 9 .EXOGENEIDAD Definiciones: Exogeneidad Fuerte z t es fuertemente exógena respecto a un conjunto de exó parámetros de interés Ψ sí y solo si z t es débilmente á par interé dé exógena respecto a Ψ. retroalimentació Si zt es fuertemente exógena. lo contrario no es cierto. λ2) Además de la exogeneidad débil. Es decir. y además la función de densidad exó ademá funció marginal de z t puede ser escrita como: D(z t / X t-1 .

“Crítica de Lucas” (de simulació Crí Lucas” 1976) EXOGENEIDAD 10 . la condició superexogeneidad. variable zt no se puede considerar exógena a los exó efectos de la simulación y control. Si no se cumple la condición de superexogeneidad. propios del análisis de políticas.EXOGENEIDAD Definiciones: Super Exogeneidad La superexogeneidad permite sustentar los ejercicios de simulación y “control”. simulació control” aná polí En la determinación de la superexogeneidad de una determinació variable subyace la posibilidad de un cambio en el proceso generador de datos de la variable explicativa.

pará interé 11 . dado que vá no relacionan a la variable explicativa con los parámetros de pará interés. Koopmans (1950). Ambos conceptos corresponden a T.t  ε 1.EXOGENEIDAD Definiciones: Exogeneidad Estricta Si ut es el término de perturbación de un modelo. interé EJEMPLO ENGLE ET AL.t    ~ IN ( ϑ . γ2. C. σ12) pará (β tienen variación libre. Presentación del modelo Presentació ► Sea el siguiente modelo: y t = β z t + ε 1. zt (una variable té perturbació explicativa) se dice estrictamente exógena si: exó E(zt u t + i ) = 0 para todo i.t   σ 11 σ 12   Ω=     σ 12 σ 22  donde las perturbaciones εit siguen el proceso: ► Se asume que los parámetros (β. cumpliendo los requerimientos para variació que la matriz de covarianzas de los errores sea definida positiva. z t se dice predeterminada si E(zt u t + i ) = 0 para todo i ≥ 0. γ1. Engle et al muestran que estos 2 últimos conceptos no son necesarios ni suficientes para realizar inferencias válidas. El parámetro de interés es β. Ω ) ε   2.t z t = γ 1 z t -1 + γ 2 y t -1 + ε 2. σ11. σ22.

Normal Multivariante Sean X1 y X2 dos variables tales que: µ   X 1.t   = µ =  1 E   µ   X 2.t  σ σ   = Ω =  11 12  V      σ 12 σ 22   X 2.t   2  X 1.t  La f.] = β zt + E [ ε1t /zt ] El segundo término del miembro derecho es distinto de cero. Obsérvese que E[yt/zt... Presentación del modelo Presentació ► Se deduce que yt y zt son también normales. dado que los errores no son incorrelacionados. ► ► ► EJEMPLO ENGLE ET AL. con tambié covarianza no nula. de densidad condicional de X1 dado X2 es (sin importar el tipo de distribución): f ( x1 | x 2 ) = f ( x1 . El tratamiento de este caso requiere que revisemos algunos resultados relativos a la distribución normal multivariante y a sus momentos condicionales. x 2 ) f 2 ( x2 ) 12 ..EJEMPLO ENGLE ET AL.

µ 1 x 2 .t   13 .σ 22 ) σ 11 ( 2 2 X 2 .EJEMPLO ENGLE ET AL.ρ 2 )-1/2 1 x1 . x 2 . Análisis del ejemplo. σ 11 ( 1 .µ 2 2 . exp { .ρ ) σ 22 EJEMPLO ENGLE ET AL.t donde: ε3t = ε1t + β ε2t Es claro que ε2t y ε3t tienen esperanza nula y varianzas:  ε 3.t   σ 11 + 2 β σ 12 + β 2 σ 22 σ 12 + β σ 22   V =      σ 12 + β σ 22 σ 22   ε 2. σ 11 ) ( X 1| X 2 ) ~ N [ µ1 + ρ X 2 ~ N ( µ 2 .µ 2 ) . θ ) = (1 .µ 2 −2ρ σ 11 σ 22 ]} con ρ = σ 12 σ 11 σ 22 Las distribuciones marginales y la condicional son: X 1 ~ N ( µ 1 .t z t = γ 1 z t -1 + γ 2 yt -1 + ε 2. conjunta f ( x1 . Normal Multivariante Si X1 y X2 son normales. se tiene la siguiente f.ρ ) σ 11 σ 22 x1 .[ ( ) +( ) 2 2 Π σ 11 σ 22 2 (1 .µ 1 2 x2 .d. Aná La forma reducida del modelo antes planteado es: yt = β γ 1 z t -1 + β γ 2 yt -1 + ε 3.

γ 12 i iσ 22 σ 14 . Análisis del ejemplo (cont.. y sus esperanzas (condicionales sólo a los valores pasados de só ambas variables) son: µY = E[yt/zt-1..... ) = β γ 1 z t -1 + β γ 2 y t -1 +  12 + β σ  22   zt   σ 12 . .. ] = b zt + c1 zt-1 + c2 yt-1 donde: b = β + 12 σ 22 σ c = .) Aná Aplicando los resultados encontrados respecto a la normal multivariante..] = γ1 zt-1 + γ2 yt-1 EJEMPLO ENGLE ET AL.. σ E ( yt / zt . donde la matriz distribució de varianzas y covarianzas es la antes planteada. puede observarse que yt y zt siguen una distribución normal conjunta.. .) Aná A partir de la forma reducida.Yt-1.... Análisis del ejemplo (cont. tenemos que: multivariante.EJEMPLO ENGLE ET AL. Yt-1. σ 22 1 t -1 De esa manera se obtienen los resultados presentados en Engle et al: E [ yt / zt.] = β γ1 zt-1 + β γ2 yt-1 µZ = E[zt/zt-1.γ z − β γ 1 z t -1 + .

) = σ = σ11 = σ11(1 . pero no entre yt y zt.. . σ2 ) Analicemos distintos tipos de relación entre yt y zt i) ii) σ12 = 0 σ12 = 0 y γ2 = 0 EJEMPLO ENGLE ET AL.ρ 2 ) σ 22 2 Considérese ahora el modelo de regresión: yt= b zt + c1 zt-1+ c2 yt-1+ ut donde ut ~ IN( 0 .) Aná La varianza condicional es: 2 σ12 V ( yt / zt .. ] = β zt V [ yt / zt. ] = σ11 E [ zt / Zt-1.) Aná σ12 = 0 Ello implica la incorrelación (independencia) entre incorrelació las perturbaciones. Yt-1] = γ1 zt-1 + γ2 yt-1 V [ zt / Zt-1. Análisis del ejemplo (cont.EJEMPLO ENGLE ET AL.. Yt-1] = σ22 15 . Análisis del ejemplo (cont. A partir del supuesto planteado se observa que: E [ yt / zt... ...

γ2 . EJEMPLO ENGLE ET AL. Si no se cumple la condición exó condició supuesta (σ12 ≠ 0). y los estimadores por MCO del modelo son inconsistentes.) Aná σ12 = 0 De esta manera. σ22 ) Desde el momento en que el parámetro de interés (β) es pará interé (β una función exclusivamente de λ1.EJEMPLO ENGLE ET AL. la densidad condicional de yt respecto de zt puede factorizarse como un corte secuencial con: λ1 = ( β . Análisis del ejemplo (cont. zt no es débilmente exógena (σ dé exó respecto de β.) Aná σ12 = 0 y γ2 = 0 zt es fuertemente exógena respecto de β 16 . Análisis del ejemplo (cont. σ11 ) λ2 = ( γ1 . zt es débilmente funció dé exógena respecto de β.

Sign up to vote on this title
UsefulNot useful