Análisis de Intervención y ADL

Econometría II
Alvaro Perdomo (2018-II)
Índice
1.Análisis
de Intervención
2.Modelos ADL
3.Comentario

2
Índice
1.Análisis
de Intervención
2.Modelos ADL
3.Comentario

3
1. Análisis de Intervención
El análisis de intervención es más fácil de analizar a partir de un ejemplo:
Los incidentes de secuestros aéreos han sido bastante numerosos. Los Estados Uni-
dos respondieron al aumento de los secuestros instalando detectores de metales en
todos los aeropuertos de los Estados Unidos a partir de enero de 1973. Otras
autoridades internacionales pronto hicieron lo mismo.
Los secuestros aéreos en vuelos trasnacionales y en territorio estadounidense se
muestran en la figura de abajo.

4
1. Análisis de Intervención
 Si
  bien el número de secuestros aéreos parece tener una disminución considerable y
permanente en esta fecha, es posible que nos interese medir los efectos de la ins-
talación de los detectores de metales.
Si representa el total de secuestros trimestrales, se podría intentar calcular el valor
medio de para todo y compararlo con el valor medio de para todo . Sin embargo, tal
prueba está mal diseñada porque los valores sucesivos de están serialmente
correlacionados.
Como tal, algunos de los efectos del régimen inicial podrían "trasladarse" a una fecha posterior a
la intervención. Por ejemplo, algunos incidentes planeados de secuestro aéreo que ya están en
trámite podrían no ser disuadidos tan fácilmente como otros.

5
1. Análisis de Intervención
El  análisis de intervención permite hacer una prueba formal de un cambio

en la media de una serie de tiempo. Considere el modelo utilizado en En-
ders, Sandler y Cauley (1990) para estudiar el impacto de la tecnología de
detectores de metales en el número de incidentes de secuestro aéreo:
ENDERS, Walter; SANDLER, Todd y CAULEY, Jon. Impact of Terrorist‐Thwarting Policies: An
Interven-tion Time Series Approach. Defense Economics, Vol. 2, No. 1 (April, 1990); p. 1-18
donde
 ,
 es la variable de intervención (o dummy) que toma el valor de antes de 1973:1 y
a partir de 1973:1. Es decir, es una variable dummy de cambio de nivel
 es una perturbación de ruido blanco.
Para explicar la naturaleza del modelo, observe que,
 para , el valor es . Como tal, el intercepto es y la media a lar-go plazo de la serie
es .
 A partir de 1973, el intercepto salta a (ya que salta a ). Por lo tanto, el efecto
inicial o de impacto de los detectores de metales viene dado por la magnitud de .
6
1. Análisis de Intervención
  
 La significancia estadística de se puede probar utilizando una prueba . Se con-
cluye que los detectores de metales redujeron el número de incidentes de
secuestro aéreo si es negativo y estadísticamente diferente de cero.
 El efecto a largo plazo de la intervención es , el cual es igual a la nueva media a
largo plazo menos el valor de la media original .
Los diversos efectos de transición se pueden obtener a partir de la fun-ción
de respuesta al impulso.
Usando operadores de rezago, reescriba como entonces .
Esta ecuación produce la función impulso-respuesta; el giro interesante
agregado por la variable de intervención es que podemos obtener las res-
puestas de la secuencia a la intervención.
Para rastrear los efectos de los detectores de metales en los secuestros, suponga que
(de modo que , , etc.).

7
1. Análisis de Intervención

 La
  impulso-respuesta en es .
La forma más sencilla de encontrar el resto de impulso-respuestas es reconociendo
que (i) y (ii) para todo .
 Por lo tanto, diferenciando parcialmente con respecto a y adelan-tando
en un período se obtiene .
La presencia del término refleja el impacto directo de en , y el segundo término
refleja el efecto de en () multiplicado por el efecto de en ().
 Continuando de esta manera, podemos rastrear toda función impulso-
respuesta como dado que
Tomando el límite cuando , se obtiene que el impacto a largo plazo está
dado por .
 Si se asume , el valor absoluto de la magnitud de los impactos es una función
creciente de .

8
1. Análisis de Intervención
  
 Si se asume , la política tiene un efecto oscilante amortiguado en la secuencia .
Después del salto inicial , los valores sucesivos de oscilan hacia el nivel de largo
plazo .
Hay varias extensiones importantes:
I. El modelo no necesita ser un proceso autorregresivo de primer orden. También
se puede utilizar el modelo de intervención más general donde y son
polinomios en el operador de rezago .
II. La intervención no necesita ser un salto puro como el de la figura de abajo.

Hay otras formas posibles de modelar la función de intervención:

9
1. Análisis de Intervención
 A.  Función de pulso. La función es para todos los períodos, excepto en un período
particular en el que es .

Esta función caracteriza una intervención puramente temporal. Por supuesto, los
efectos del único impulso pueden durar muchos períodos debido a la naturaleza
autorregresiva de la serie .
B. Cambiando gradualmente la función. Una intervención puede no alcanzar su
máxima fuerza inmediatamente.

10
1. Análisis de Intervención
 C.  Función de impulso prolongado. La intervención puede permanecer en el lugar
por uno o más períodos y luego comenzar a decaer.

Los efectos de estas intervenciones cambian si tiene una raíz unitaria:

 Una intervención de pulso tendrá un efecto permanente.
 Una intervención de salto actuará como una tendencia.
 Una intervención tendrá un efecto temporal si todos los valores de suman cero
(por ejemplo, , , , y todos los demás valores de la variable de intervención son
iguales a ).
También tenga en cuenta que la intervención puede afectar la variable de
interés con un rezago.
Suponga que toma períodos para que comience a tener algún efecto en la serie de
11interés. Es posible capturar este comportamiento con un modelo de la forma:
1. Análisis de Intervención
A menudo,
   la forma de la función de intervención y el factor de rezago
son claros a partir de un razonamiento a priori.
Cuando exista una ambigüedad, estime las alternativas plausibles y luego
utilice los criterios estándar de selección del modelo de Box-Jenkins para
elegir el modelo más apropiado, por ejemplo:
Si asume que los coeficientes no cambian con la intervención. Una comprobación
útil de este supuesto es realizar una prueba preliminar de los datos estimando los
modelos más apropiados para los períodos pre y post interven-ción. Si los dos
modelos son bastante diferentes, es probable que los coefi-cientes autorregresivos y
de media móvil hayan cambiado.
Por lo general, no hay suficientes observaciones previas y posteriores a la intervención para esti-
mar dos modelos separados. En tales casos, el investigador debe contentarse con continuar utili-
zando el modelo de mejor ajuste a lo largo de la mayor cantidad de datos.
El siguiente procedimiento es típico en los estudios de intervención:
PASO 1: Use el intervalo de datos más largo (es decir, las observaciones previas o pos-
teriores a la intervención) para encontrar un conjunto plausible de modelos .

12
1. Análisis de Intervención
 Debe
  tener cuidado de asegurarse de que la secuencia sea estacionaria.
Si sospecha que no es estacionaria, puede realizar pruebas de raíz unitaria en el intervalo de datos más
largo. Alternativamente, puede usar pruebas de raíz unitaria con cambio estructural. En presencia de
raíces unitarias, estime el modelo de intervención utilizando la d-esima diferencia de (es decir, )
PASO 2: Estime los distintos modelos durante todo el período de la muestra, incluido el
efecto de la intervención.
PASO 3: Realice verificaciones diagnósticas de las ecuaciones estimadas. Un modelo de
intervención bien estimado tendrá las siguientes características:
1. Todos los coeficientes deben ser estadísticamente significativos en los ni-veles
convencionales. Además, deseamos utilizar un modelo parsimonioso.
Si algún coeficiente no es significativo, se debe considerar un modelo alternativo.
2. Los residuos deben aproximarse al ruido blanco.
Si los residuos están correlacionados serialmente, el modelo estimado no imita el proceso real de
generación de datos. Si los residuos no se aproximan a una distribución normal, las pruebas usuales
de inferencia estadística no son apropiadas en muestras pequeñas. Si los errores parecen ser , todo
el modelo de intervención puede ser reestimado como un proceso .
3. El modelo tentativo debe superar las alternativas plausibles.
Por supuesto, no se puede esperar que un modelo domine a todos los demás en todos los crite-rios
posibles. Sin embargo, es una buena práctica comparar los resultados del modelo escogido con los
de rivales razonables.
13
Índice
1.Análisis
de Intervención
2.Modelos ADL
3.Comentario

14
2. Modelos ADL
Una
   extensión natural del modelo de intervención es permitir que la se-
cuencia sea algo distinto a una variable dummy determinista. Consi-dere
la siguiente generalización del modelo de intervención:
donde , y son polinomios en el operador de rezagos .
En un análisis típico de la función de transferencia, el investigador recopila datos
so-bre la variable endógena y sobre la variable exógena . El objetivo es estimar el
parámetro y los parámetros de los polinomios , y .
La principal diferencia entre el modelo de arriba y el modelo de interven-
ción es que no está restringida asumiéndole una trayectoria temporal
determinista particular. En cierto sentido, la variable de intervención pue-
de ser cualquier proceso exógeno estacionario.
El modelo se denomina de rezago distribuido porque distribuye los efectos de
sobre en varios períodos. El polinomio se denomina función de transfe-rencia
porque muestra cómo un movimiento en la variable exógena afecta la trayectoria
temporal de (es decir, se transfiere a) la variable endógena .

15
2. Modelos ADL
Es fundamental tener en cuenta que el análisis de la función de transferen-

cia asume que es un proceso exógeno que evoluciona independiente-
mente de la secuencia .
Se asume que las innovaciones en no tienen efecto en la secuencia , de mo-do que
para todos los valores de y .
Dado que puede observarse y no está correlacionado con la innova-ción
actual de (es decir, el término de perturbación ), los valores ac-tuales y
rezagados de son variables explicativas de .
Sea . Si , el valor contemporáneo de no afecta directa-mente a . Como tal, se
denomina indicador líder en el sentido de que las predicciones se pueden realizar en
el período utilizando , , ... sin la ne-cesidad de predecir .

16
2. Modelos ADL
En  este punto, no estamos especialmente preocupados por los coeficien-tes

de ; sea de tal forma que podemos escribir la ecua-ción inicial de esta
sección como .
Como esta ecuación no contiene términos de media móvil, a menudo se le
llama modelo AR de rezagos distribuidos (ADL).
En contraste con el modelo de intervención pura, no hay un período pre y post in-
tervención, por lo que no podemos estimar un de la misma manera que usa-mos
para estimar un modelo de intervención. Sin embargo, los métodos son muy si-
milares en cuanto a que el objetivo es estimar un modelo parsimonioso.
El procedimiento involucrado en el ajuste de una es más fácil de ex-plicar
considerando un caso simple. Para comenzar, suponga que:
 es generado por un proceso ruido blanco no correlacionado con .
 La realización de afecta la secuencia con un rezago de duración descono-cido.
Específicamente, sea donde y son procesos ruido blanco tales que , y son
coeficientes desconocidos, y es el "rezago" o la duración del rezago que debe
determinar el econometrista.
17
2. Modelos ADL
Como
   y son procesos de ruido blanco independientes, es posible modelar
por separado los efectos de cada tipo de shock.
Dado que podemos observar los diversos valores de , el primer paso es
calcular las correlaciones cruzadas entre y los diversos .
La correlación cruzada entre y se define como donde y son las desviaciones
estándar de y , respectivamente. Se supone que la desviación estándar de cada
secuencia es independiente del tiempo.
Al dibujar cada valor de se obtiene la función de correlación cruzada o
el correlograma cruzado.
En la práctica, se usan las correlaciones cruzadas calculadas utilizando datos mues-
trales porque no se conocen las verdaderas covarianzas o desviaciones estándar.
El examen de las correlaciones cruzadas muestrales proporciona el mismo
tipo de información que la en un modelo .

18
2. Modelos ADL
 La
  explicación parte de que se puede escribir como .
Ahora podemos obtener las covarianzas cruzadas mediante la multiplicación sucesi-
va de por , , para formar un sistema de ecuaciones en donde:
para todo
Tome el valor esperado de cada una de estas ecuaciones. Como y son per-
turbaciones ruido blanco independientes, se obtiene
Al dividir cada valor de por se obtiene el .
Tenga en cuenta que:
 el correlograma cruzado consta de ceros hasta el rezago .
 El valor absoluto de la altura de la primera correlación cruzada no nula se relaciona positiva-
mente con las magnitudes de y
 A partir de entonces, las correlaciones cruzadas decaen a la tasa .
 El decaimiento del correlograma coincide con los patrones autorregresivos de la secuencia

19
2. Modelos ADL
El  patrón exhibido por es fácilmente gene-ralizable.

Suponga que . Resolviendo para , se obtiene .
Dado que asumimos que ,
 las covarianzas cruzadas son y las correlaciones cruzadas son .
 En la literatura, también se usan las covarianzas cruzadas estandarizadas indicadas por .
La elección entre los dos no es importante ya que la y la función de cova-rianza
cruzada estandarizada son proporcionales entre sí.
En el ejemplo que nos ocupa, la revela el siguiente patrón:

20
2. Modelos ADL
La  figura de abajo a la izquierda muestra la forma de las covarianzas

cruza-das para , , y .
Todas las covarianzas cruzadas son cero hasta el rezago ; hay picos distintos en los
rezagos y correspondientes a los valores no nulos de y . A partir de enton-ces, la
decae a la tasa .
La figura de abajo a la derecha reemplaza a con el valor .
Todas las covarianzas cruzadas son cero hasta el rezago ; ya que , el valor
estandarizado de . Para encontrar el valor estandarizado de , for-me . Los valores
posteriores de decaen a una ta-sa de .

𝐹𝐶𝐶
  𝐸

𝐹𝐶𝐶
  𝐸
21
2. Modelos ADL
El  patrón ilustrado por los anteriores dos ejemplos generaliza cualquier

modelo de intervención de la forma
El teórico (y el ) tiene una forma con las siguientes caracterís-ticas:
1. Todos los serán cero hasta el primer elemento distinto de cero del poli-nomio .
2. Un pico en el indica un elemento no nulo de . Por lo tanto, un pico en el
rezago indica que afecta directamente a .
3. Si todos los picos decaen a la velocidad de convergencia implica que el va-lor
absoluto de es menor que la unidad. Si , el decaimiento en las covarianzas
cruzadas será directo, mientras que si , el patrón de decaimiento será
oscilatorio.
Solo la naturaleza del proceso de descomposición cambia si generaliza-
mos la ecuación para incluir rezagos adi-cionales de .
En el caso general , el patrón de descomposi-ción en las covarianzas cruzadas está
determinado por las raíces características del polinomio ; la forma es precisamente
la sugerida por las autocorrelaciones de un modelopuro.

22
2. Modelos ADL
Veamos
   otro ejemplo, considere .
Usar operadores de rezago para resolver es un inconveniente, ya que no cono-
cemos los valores numéricos de y .
En su lugar, se puede utilizar el método de coeficientes indeterminados
con la conjetura: donde los y son los coeficientes indeterminados.
Al resolver la conjetura se obtiene (no nos interesa encontrar los ),
Use esta solución para encontrar todas las covarianzas usando las ecua-
ciones de Yule-Walker. Formando las expresiones de como .

23
2. Modelos ADL
 Por
  lo tanto, hay un pico inicial en el rezago que refleja el valor distinto de cero de .
Después de un período, queda un porcentaje de . Después de dos pe-ríodos, el
patrón de decaimiento en las covarianzas cruzadas estandarizadas co-mienza a
satisfacer la ecuación en diferencias: .
La figura de abajo a la izquierda muestra la forma de la para el caso de , ,
y.
El patrón oscilatorio refleja el hecho de que las raíces características del proceso son
imaginarias.
Para propósitos de comparación, la figura de abajo a la derecha muestra la
de otro proceso de segundo orden con raíces imaginarias.

𝐹𝐶𝐶
  𝐸 𝐹𝐶𝐶
  𝐸

24
2. Modelos ADL
Rara
   vez seremos tan afortunado como para trabajar con una serie que sea
ruido blanco. Necesitamos generalizar aún más nuestra discusión de los
para considerar el caso en el que la secuencia es un pro-ceso estacionario.
La estimación de la función de transferencia se vuelve más difícil en este caso. Sin
embargo, la dificultad adicional vale la pena porque es posible un rico conjunto de
interacciones entre las variables.
Por el momento, podemos abstraernos del problema de estimación y con-
siderar el sistema de ecuaciones representado por:

 donde es un polinomio en el operador de rezagoy es ruido blanco. Las raíces de

son tales que la secuencia es estacio-naria.
Dado que es independiente de , los choques a la secuencia no pue-den influir
en . Como tal, debe ser el caso de que .
Una vez que los coeficientes de las dos ecuaciones se han estimado co-
rrectamente, es posible rastrear tres funciones impulso-respuesta:
25
2. Modelos ADL
  
1. las respuestas de los impulsos de un choque de en la serie
2. las respuestas de los impulsos de un choque de en la secuencia de .
3. las respuestas de los impulsos de un choque de en toda la serie
Un choque de una unidad en afecta directamente a por una unidad y a por
unidades.
Formalmente, los impulso-respuesta de los choques de en la secuencia se dan así:
Resolviendo para , quedará claro que los impulso-respuesta son los coeficientes de .
Los son útiles porque son propicios para el pronostico de múltiples
periodos hacia adelante. Si tiene observaciones, puede formar los pro-
nósticos , ,. Estos pronósticos se utilizan en los pronósti-cos de los
múltiples .

26
2. Modelos ADL
Como
   evoluciona independientemente de , podemos estimar como el
proceso dado por . Los residuos de dicho modelo, indicados por , deben
ser ruido blanco.
La idea es estimar las innovaciones en la secuencia a pesar de que la secuencia en sí
no es un proceso de ruido blanco.
Una vez que se ha estimado , puede elegir entre dos técnicas para estimar
el .
1. Si la parsimonia no es importante, puede usar y tal que, .
 A diferencia del enfoque estándar de Box-Jenkins, comience estimando los
utilizando los valores más grandes de y que se consideren factibles.
 Luego, las pruebas y las pruebas se pueden usar para reducir las longitudes de
rezagos del modelo.
 También puede utilizar el o el para encontrar las longitudes de rezagos que
producen el mejor ajuste.

27
2. Modelos ADL

2.   A semejanza de la metodología de Box-Jenkins.
 La idea es usar las correlaciones cruzadas para obtener el patrón de los coefi-
cientes tal como aparecen en el .
 Es tentador pensar que debemos formar las correlaciones cruzadas entre la se-
cuencia y . Sin embargo, este procedimiento sería inconsistente con la hipótesis
de que la estructura de la función de transferencia está dada por . La razón es que
, , , (y no sim-plemente las innovaciones) afectan directamente el valor de . Las
correlacio-nes cruzadas entre y los diversos no revelarían el patrón de los coefi-
cientes en .
 La metodología apropiada es filtrar la secuencia multiplicando por el polinomio
estimado previamente. Como tal, el valor filtrado de es y se denota por . Las
correlaciones cru-zadas de y revelan la forma del .
Para explicarlo, multiplica por :
, entonces

28
2. Modelos ADL
   Aunque podría construir la secuencia , la mayoría de los software econo-métricos
pueden realizar las transformaciones apropiadas automáticamente. El punto
importante es que las covarianzas cruzadas de y revelan los coefi-cientes de .
Podemos examinar la entre y para determinar los picos y el patrón de
decaimiento como ayuda para determinar la forma de .
Para ilustrar por qué es importante el filtrado, considere el ejemplo don-de
y . Dado que nunca se pue-de observar la forma de la función de
transferencia, es posible que no se pueda deducir que solo tiene un efecto
directo en .
De hecho, la sustitución de produce . Como tal, uno podría ser engañado y
terminar estimando una ecuación de la for-ma .
Aunque no hay nada "incorrecto" con esta ecuación, la interpretación es que
afecta la secuencia con un rezago de un período. También debe quedar claro
que . Por lo tanto, la función de transferencia esti-mada tendrá una varianza
mayor que la de .

29
2. Modelos ADL
 La
  forma correcta de identificar la forma de la función de transferencia es filtrar los
valores de de manera que .
Dado que el objetivo es formar la serie filtrada como , para el ejemplo en
cuestión, multiplique la función de transferencia por , o
.
Por lo tanto, simplemente puede restar de para obtener . Claramente, las
covarianzas entre y tendrán el mismo patrón que aquellas entre y .
En resumen, el procedimiento completo para ajustar una ADL implica:
PASO 1: Estimar la secuencia .
La técnica utilizada en esta etapa es precisamente estimar cualquier modelo .
Un modelo correctamente estimado debería aproximar el proceso de generación de datos para la
secuencia . Los residuos calculados se denominan valores filtrados de la serie . Estos valores
filtrados pueden interpretarse como innovaciones puras en la secuencia .
Calcule y almacene la secuencia .

30
2. Modelos ADL
 PASO
  2: Identifique los candidatos plausibles para la función .
Restrinja la secuencia filtrada aplicando el filtro a cada valor de ;
es decir, use los resultados del Paso 1 para obtener .
Los correlogramas cruzados entre y ayudan a identificar la forma de .
Recuerde que los picos en el correlograma cruzado indican valores no nulos de .
En la práctica, el examen del correlograma cruzado sugerirá varias funciones de
transferencia plausibles.
Por supuesto, las covarianzas cruzadas muestrales no se ajustarán perfectamente a sus valores
teóricos. Bajo la hipótesis nula de que las correlaciones cruzadas son todas cero, la varianza mues-
tral del coeficiente de correlación cruzada converge asintóticamente a donde es el número de
observaciones utilizables.
Sea el coeficiente de correlación cruzada muestral entre y . Bajo la hi-pótesis nula
de que los valores verdaderos de son todos iguales a cero, la varianza de converge a
.
Por ejemplo, si con observaciones utilizables, la desviación estándar del coeficiente de corre-
lación cruzada entre y es . Si , la hipótesis nula puede ser rechazada. Las correlaciones cruzadas
significativas en el rezago indican que una innovación en afecta . Para probar la significancia de
las correlaciones cruzadas, use el estadístico de Ljung-Box.

31
2. Modelos ADL
 PASO
  3: Identifique los candidatos plausibles para la función .
Haga la regresión donde denota el término de error, que no es necesariamente ruido
blanco. LA de la secuencia sugiere la forma del . Si la secuencia es ruido blanco, su
tarea está completa. Sin embargo, el correlograma generalmente revela varias formas
sugestivas de .
[Nota: En este punto, es posible que desee modelar el modelo más general de . Si la y la de las
serie sugieren que podría tratarse de un proceso , forme modelos tentativos tanto para como
para .]
PASO 4: Combine los resultados de los Pasos 2 y 3 para estimar la ecuación com-
pleta. En esta etapa, estimará y simultáneamente. Las propiedades de un modelo bien
estimado son tales que los coeficientes son de alta calidad, el modelo es
parsimonioso, los residuos son ruido blanco y los errores de pronóstico son pe-
queños. Debe comparar su modelo estimado con los otros candidatos plausibles de
los Pasos 2 y 3.
Tenga en cuenta que el objetivo es encontrar una representación parsimo-
niosa de una interacción potencialmente complicada entre las variables. Al
igual que en un proceso , diferentes modelos pueden tener implica-ciones
económicas similares y producir pronósticos similares. Sin embar-go, hay
algunos
32 consejos que pueden ser muy útiles.
2. Modelos ADL
  
1. Después de estimar el modelo completo en el Paso 4, si los residuos en se
correlacionan con , la función probablemente esté mal especificada. Vuelva al
Paso 3 y vuelva a formular las es-pecificaciones de y .
2. Las correlaciones cruzadas muestrales no son significativas si y/o no son
estacionarias. Haga pruebas de raíz unitaria. En presencia de raíces unitarias,
Box y Jenkins (1976) recomiendan diferenciar cada variable hasta que sea esta-
cionaria.
La interpretación del depende del tipo de diferenciación realizada.
Considere las siguientes tres especificaciones y suponga que :

Un choque de una unidad en tiene el efecto inicial de aumentar en unidades. Este efecto inicial
decae a la velocidad .

Un choque de una unidad en tiene el efecto inicial de aumentar el cambio en en unidades. El

efecto sobre el cambio decae a la velocidad , pero el efecto sobre el nivel de la secuencia nunca
decae.

33
2. Modelos ADL
  
Sólo el cambio en afecta a . Aquí, un pulso en la secuencia tendrá un efecto temporal en el nivel
de .

Tenga en cuenta que:

 Es posible obtener un modelo más complejo al permitir términos .
 Al igual que un modelo puede ser más parsimonioso que un modelo , podría ser
posible que ofrezca un ajus-te más parsimonioso que .
 Es posible permitir los términos en el sistema y .

34
Índice
1.Análisis
de Intervención
2.Modelos ADL
3.Comentario

35
3. Comentario
Hay
   dos dificultades importantes involucradas en el ajuste de una ecua-ción
multivariada, como una función de transferencia.
1. Obviamente, un modelo parsimonioso es preferible a un modelo sobreparame-
trizado.
En las muestras relativamente pequeñas que generalmente se encuentran en los datos eco-
nómicos, la estimación de un modelo no restringido puede limitar tan gravemente los grados
de libertad como para inutilizar los pronósticos. Además, la posible inclusión de coeficientes
grandes pero insignificantes agregará variabilidad a las previsiones del modelo.
Sin embargo, al reducir la forma del modelo, dos investigadores igualmente capa-
citados probablemente llegarán a dos funciones de transferencia diferentes.
Aunque un modelo puede tener un mejor "ajuste" (en términos del o del ), los resi-duos del
otro pueden tener mejores propiedades de diagnóstico.
Existe un costo potencial de usar un modelo parsimonioso. Suponga que simple-
mente calcula la ecuación usando rezagos largos para , y . Siempre que sea
exógeno, los coeficientes y pronósticos estimados son insesgados aunque el
modelo esté sobreparametriza-do. Este no es el caso si el investigador impone
incorrectamente cero restriccio-nes en cualquiera de los polinomios en el modelo.

36
3. Comentario
  
2. Se asume que no hay retroalimentación desde la secuencia hacia la secuen-cia .
Para que los coeficientes de sean estimaciones no sesgadas de los efectos de
impacto de en la secuencia , no debe estar correlaciona-do con en todos los
adelantos y rezagos.
Si bien ciertos modelos económicos pueden afirmar que las variables de política (como la
oferta de dinero o el gasto del gobierno) son exógenas, puede haber retroalimentación tal que
las variables de política se establezcan con referencia específica al estado de otras variables
en el sistema.
La necesidad de restringir la forma de la función de transferencia y el pro-
blema de la retroalimentación o "causalidad inversa" llevó a Sims (1980) a
proponer una estrategia de estimación no estructural.
SIMS, Christopher. Macroeconomics and Reality. Econometrica, Vol. 48, No. 1 (January, 1980);
p.1-49.

37