Documentos de Académico
Documentos de Profesional
Documentos de Cultura
TABLA DE CONTENIDO CAPTULO I. Introduccin ............................................................................... 1 CAPTULO II. Conceptos Generales ............................................................ 2 II.1. II.2. II.3. II.4. II.5. II.6. II.7. Procesos estocsticos ...................................................................... 2 Procesos Estocsticos no estacionarios ........................................... 2 Caminata aleatoria sin deriva ........................................................... 2 Caminata aleatoria con deriva .......................................................... 4 Procesos estocsticos estacionario .................................................. 5 Proceso estocstico integrado .......................................................... 6 Cointegracin.................................................................................... 6
CAPTULO III. Modelos ................................................................................. 7 III.1. III.2. III.3. III.4. Modelo de Vectores Autorregresivos ................................................ 7 Modelo de Vectores de Errores Corregidos ...................................... 8 Coeficientes de correccin del error ................................................. 9 Estimacin del modelo VEC ........................................................... 10
CAPTULO I.
Introduccin
El siguiente trabajo buscar realizar una aproximacin sobre el modelo de vector de correccin de error. Inicialmente se realiza una breve explicacin sobre trminos claves relacionados al tema series de tiempo, entre los cuales se encuentra, series estacionarias y no estacionarias, procesos integrados y orden de integracin y procesos cointegrados. Seguidamente se discute el modelo de vectores autoregresivos (VAR), en qu momento es vlido aplicarlos y algunos trminos claves relacionados a l, a partir de dicha explicacin se llega a el modelo de vector de correccin de error (VEC), que es un caso especifico del modelo VAR, que es utilizado cuando las variable comparten una tendencia y se espera que converjan en el largo plazo.
cuente con media 0 y varianza 2 , podemos decir que es una caminata aleatoria si:
En el modelo de caminata aleatoria, como se ve anteriormente, el valor de Y en el tiempo t es igual a su valor en el tiempo (t-1) mas el termino del error; Podemos decir que la ecuacin anterior es una regresin de Y en el tiempo t sobre su valor rezagado un periodo. La hiptesis del mercado de
2
capital eficiente argumenta que los precios de las acciones son en esencia aleatorios por ende, no puede haber especulacin aprovechable en el mercado de valore: si pudiramos predecir el precio de una accin al da siguiente tomando en cuenta el precio del da anterior, seriamos millonarios. 2 = 1 + 2 = 0 + 1 + 2 1 = 0 + 1
tenemos
2 = 1 + 3 = 0 + 1 + 2 + 3
Como muestran las ecuaciones anteriores, la media de Y es igual a su valor inicial, pero a medida que se incrementa , su varianza aumenta de manera indefinida, lo cual viola una condicin de estacionalidad. En pocas palabras el modelo de caminata aleatoria sin deriva es un proceso estocstico no estacionario. En la prctica, 0 se iguala cero, en donde E( )=0.
lo que es resulta evidente de (2): es la suma de 0 ms la suma de los aleatorios es una caracterstica importante del modelo de caminata aleatoria, choques aleatorios. Como resultado, desaparece el impacto de un choque particular. Por ejemplo, si 2 =2, en vez de 2 =0, todas las de 2 en adelante
sern 2 unidades mayores, por lo que nunca cesa el efecto de este choque. se conoce tambin como tendencia estocstica. Si se expresa:
3
Por esto decimos que la caminata aleatoria tiene memoria infinita. La suma
fcil comprobar que no es estacionaria, si lo es la serie de sus primeras diferencias. Es decir, las primeras diferencias de series de tiempo de caminata aleatoria son estacionarias. II.4. Caminata aleatoria con deriva Modificando el modelo de caminata aleatoria sin deriva (1) tenemos que: = + 1 + (3)
1 = =
Como se observa, para el modelo de caminata aleatoria con deriva, la media, al igual que la varianza se incrementa con el tiempo, lo cual viola de nuevo la condicin de estacionalidad. Es decir, el modelo de caminata aleatoria, con o sin deriva es un proceso estocstico no estacionario. Para dar una breve idea de la caminata aleatoria con o sin deriva, se realizaran dos simulaciones = 0 + (4)
4
0, Considerando:
Donde son los trminos del error de ruido blanco de tal manera que
II.5. Procesos estocsticos estacionario Se conoce a un proceso estocsticos estacionario como aquel que presenta una media y una varianza constante en el tiempo, adems la covarianza entre dos periodos debe depender solamente de la distancia entre los rezagos, y no del periodo a partir de cual se calcula. Este proceso se conoce como estocstico dbilmente estacionario. Formalmente: Varianza: ( ) = 2 Media: ( ) =
Es decir, si tomamos la media y la varianza de la serie en un tiempo t, este debe ser igual a si se que tomara en un tiempo t+m. Por lo tanto, dicha serie siempre tender a volver a su media, y la fluctuacin con respecto a ella siempre ser constante (misma varianza). Vale la pena destacar un tipo de proceso estocstico estacionario en a cero, varianza constante 2 y no esta serialmente correlacionado.
5
especfico denominado ruido blanco, es aquel que presenta una media igual
II.6. Proceso estocstico integrado Se conoce a un proceso como estocstico integrado a aquel que en su estado original es no estacionario, pero una vez que se calcula su variacin, o se diferencia, el resultado si lo es. Si se diferencia una vez y el proceso se vuelve estacionario se conoce como integrado de orden uno o I(1). Ms aun, si un proceso debe diferenciarse d veces para volverse estacionario, se conoce como integrado de orden d o I(d). Un ejemplo de dicha situacin es una caminata aleatoria, el proceso en si es no estacionario pero su primera diferencia si lo es, por lo tanto dicho proceso se denomina I(1). II.7. Cointegracin Es conocido que la regresin entre dos variables no estacionarias puede generar una relacin espuria, presentando resultados dudosos. Sin embargo, si las variables con las cuales se realiza la regresin comparten orden de integracin (por ejemplo ambas son I(1)) pueden tambin compartir tendencia, por lo que no necesariamente su relacin sea espuria. Tomemos: Digamos que y son ambas I(1), si al termino le realizamos un = 0 + 1 +
cuentan con una relacin de largo plazo y se espera que exista convergencia entre ellas. Si se verifica que dos series de tiempo estn cointegradas se puede realizar un anlisis de regresin lineal tradicional entre ellas. A las 1 se le conoce como parmetro cointegrante. regresiones de este tipo se les denomina regresin cointegrante y al trmino
periodos de la otra variable. Las representan los trminos de error estocstico. Este sistema se conoce como VAR(), siendo la el numero de tradicional de mnimos cuadrados ordinarios (MCO), donde y deben ser La estimacin de los parmetros se hace a travs del mtodo I(0) y no estar cointegradas.
2 = + + + 2
siguiente forma:
diferencia. Por ejemplo, un modelo VAR(1), con y I(1), se calcula de la En el caso de que las variables sean I(1), no cointegradas, se toma su = 11 + 12 1 + 13 1 + = 21 + 22 1 + 23 1 + En general se puede decir que los modelos VAR describen las interrelaciones dinmicas entre variables estacionarias no cointegradas.
III.2. Modelo de Vectores de Errores Corregidos Partiendo de un modelo VAR(1) con un par de variables cointegradas I(1) expresadas como sus diferencias, tal que sean I(0), tenemos lo siguiente. = 21 + 22 1 + 23 1 + = 11 + 12 1 + 13 1 +
variacin ( y ) del periodo solo va a depender de la variacin de Si observamos las ecuaciones previas se puede constatar que la ambas variables en el periodo 1, por lo tanto se est considerando la plazo. Si las variables estn cointegradas se estara perdiendo informacin valioso sobre la relacin de largo plazo de dichas variables y sobre el hecho de que convergen. varia 5% y la variable varia 2%, segn el modelo VAR tradicional ambas variables se van a distanciar en un 3% permanentemente, pero si como esa diferencia debera tender a desaparecer, pero segn el modelo VAR dicha diferencia se va a ir acumulando en el tiempo. Por lo tanto, es necesario incluir algn trmino que pueda corregir esta variacin tal que las variables puedan volver a su equilibrio de largo plazo, a pesar de las variaciones en el corto plazo. El trmino que se le incluye a la ecuacin se le denomina correccin de error. , tal que sean I(1) y estn cointegradas. Tenemos que: = 0 + 1 + Para ejemplificar un modelo VEC tenemos las siguientes variables, y Donde son los errores estimados tal que sean I(0). El modelo VEC ser:
8
Paso 1
Paso 2
Paso 3
= 20 + 21 1 21 0 21 1 1 + + 1
= 10 + 11 1 11 0 11 1 1 + + 1
1 = 20 + 21 (1 0 1 1 ) +
1 = 10 + 11 (1 0 1 1 ) +
= 20 + 21 (1 0 1 1 ) +
= 10 + 11 (1 0 1 1 ) +
En el paso final se expresa el VEC en forma de VAR donde se relacionan las variables con sus valores rezagados. del error, ya que muestran cuanto reaccionan y con respecto al error Los trminos 11 21 se conocen como los coeficientes de correccin
del periodo 1 , es decir cmo reacciona a, (1 0 1 1 ) = 1 . III.3. Coeficientes de correccin del error ecuacin de :
Para comprender como los coeficientes de correccin del error se comportan tomemos el siguiente ejemplo, considerando el efecto sobre la
Digamos que
1 > 0 1 1
9
Es decir que
Por lo tanto
en el periodo t 1 la variable creci demasiado, apartndose de su equilibrio de largo plazo, por lo que en el periodo t se ajusta buscando disminuir la tasa de crecimiento ( ). la . Ahora considerando el efecto de un error positivo sobre la ecuacin de
1 11 < 0
1 > 0
Como ya dijimos
Entonces
1 > 0
1 12 > 0
dado el tamao del error en el periodo anterior, siempre buscando que las variables regresen a su equilibrio de largo plazo. III.4. Estimacin del modelo VEC Existen diversas formas a travs de la cual estimar un modelo de vector de error de correccin, dado que las series de tiempo sean I(1) y este cointegradas, la ms sencillas es realizarla en dos pasos a travs de una regresin lineal.
10
2) Una vez que se estimaron los errores rezagados, se realiza la siguiente regresin: = 10 + 11 1 + = 20 + 21 1 +
1 = 1 0 1 1
= 0 + 1 +
Una vez que se cuenta con todas los parmetros se puede dejar expresado de esa forma, o se pueden reorganizar tal que se pueda interpretar como un modelo VAR: = (10 11 0 ) + (11 + 1)1 11 1 1 +
11
12
CAPTULO V. Bibliografa
Carter, R., Griffiths, W., Lim G. (2011) Principles of Econometrics (4ta edicion). John Wiley & Sons. Gujarati, D. (2004). Econometrics. (4ta edicin) Mc Graw- Hill. Kunst R. (2009). Multivariate forecasting with VAR models. University of Vienna.
13