UNSCH

Capítulo 9
Modelos Autoregresivos y de
Rezagos Distribuidos

Econ. Juan A. Huaripuma Vargas

28 de mayo de 2009
CONTENIDO

 Naturaleza
 Estimación de modelos de rezagos infinito
 Modelo de Koyck
 Racionalización del Modelo de Koyck
 Método de variables instrumentales
 Estimación de modelos de rezagos finito
 Modelo de Shirley Almon
 Prueba d causalidad de Granger
 MODELOS DE REZAGOS DISTRIBUIDOS Y AUTORREGRESIVOS
Naturaleza …

En el análisis de regresión en el que se utiliza series de tiempo:

 Si el modelo de regresión no solamente incluye valores actuales sino
también valores rezagados (pasados) de las variables exógenas se
denomina modelo de rezagos distribuidos. Así tenemos como ejemplo
,
el siguiente modelo:

Yt     0 X t  1 X t 1   2 X t  2  t
 Si el modelo incluye uno o más valores rezagados de la variable
endógena entre sus variables explicativas se denomina modelo
autorregresivo. Así tenemos como ejemplo el siguiente modelo:

Yt    X t  Yt 1  t
 MODELOS DE REZAGOS DISTRIBUIDOS Y AUTORREGRESIVOS
Naturaleza …. Ejemplos.

En el análisis económico la dependencia de la variable endógena con

respecto a otra variable exógena no siempre es contemporánea (modelos
estáticos). Con bastante frecuencia, la variable endógena se relaciona con
la variable exógenas intertemporalmente (modelos dinámicos). Es decir, no
, siempre las relaciones son instantáneas, más bien la variable endógena
responde a cambios de las variable exógenas de periodos previos. A estos
periodos previos se les denomina rezagos.
Ejemplo 1: Función consumo.
Ejemplo 2. Creación del dinero en los bancos
Ejemplo 3. Impacto del dinero en los precios

El efecto de una causa dada está distribuida durante un número de

periodos de tiempo
 MODELOS DE REZAGOS DISTRIBUIDOS Y AUTORREGRESIVOS
Naturaleza … Función consumo

Yt    0.4 X t  0.3 X t 1  0.2 X t  2  t

β0Xt β1Xt β2Xt β3Xt β4Xt …

.03
$ 400
Gastos de consumo, $

β0=0.4
$

0 .2
β1 =0
1800

β2 =
$ 600

$ 800

t1 t2 t3 t4 t+1 t+2 t+3 t+4

 MODELOS DE REZAGOS DISTRIBUIDOS Y AUTORREGRESIVOS
Naturaleza …

En general, un modelo de RD puede ser escrito como:

Yt     0 X t  1 X t 1   2 X t  2  ...   k X t  k  t
Donde:
, 0 Es el multiplicador de impacto de corto plazo
k


i 0
i  1   2  ...   k   Es el multiplicador de impacto de largo plazo

Si definimos:

i i
  *
 Es la proporción del impacto total o de largo plazo
 i 
i
que se experimenta para un cierto periodo de
tiempo.
 MODELOS DE REZAGOS DISTRIBUIDOS Y AUTORREGRESIVOS
Naturaleza …

Dado el siguiente modelo de rezagos distribuidos:

Yt    0.4 X t  0.3 X t 1  0.2 X t  2  t

El multiplicador de impacto de corto plazo es:
,
 0  0 .4
El multiplicador de impacto de largo plazo es:
k


i 0
i  1   2  ...   k    0.4  0.3  0.2  0.9

El 44% del impacto total sobre Y de un cambio unitario en X se siente

inmediatamente, el 77% después de un año y el 100% para finales del
segundo año.
 MODELOS DE REZAGOS DISTRIBUIDOS Y AUTORREGRESIVOS
Razones que explican los rezagos …

Existen tres razones principales:

 Razones psicológicas
Los hábitos de consumo.
,  Razones tecnológicas
Conocimiento imperfecto del mercado
 Razones institucionales
Obligaciones contractuales y ahorro a plazo fijo
 MODELOS DE REZAGOS DISTRIBUIDOS Y AUTORREGRESIVOS
Estimación de modelos de rezagos infinito …

Dado el siguiente modelo:

Yt     0 X t  1 X t 1   2 X t  2  ...  t
Estimación secuencial:
,
Utilizando el método de mínimos cuadrados ordinarios se procede a estimar
el modelo, inicialmente considerando que la variable endógena depende
contemporáneamente y luego secuencialmente ir incorporando en las
sucesivas estimaciones las variables exógenas rezagadas. Este
procedimiento secuencial se detiene cuando los coeficientes de regresión
de las variables rezagadas comienzan a ser estadísticamente insignificantes
y/o cuando el coeficiente de por lo menos una de las variables cambia de
signo.
 MODELOS DE REZAGOS DISTRIBUIDOS Y AUTORREGRESIVOS
Estimación de modelos de rezagos infinito …

Dado los siguientes los modelos estimados:

Yˆt  8.37  0.171X t

Yˆt  8.27  0.111 X t  0.064 X t 1
Yˆt  8.27  0.109 X t  0.071X t 1  0.055 X t  2
,

Yˆt  8.32  0.108 X t  0.063 X t 1  0.022 X t  2  0.020 X t 3

Problemas:
 ¿Cuál es la longitud de rezago?
 A medida que se utilizan rezagos sucesivos de las variables exógenas
disminuye los grados de libertad.
 Los valores de las variables exógenas con sus sucesivos rezagos están
altamente correlacionados.
MODELOS DE REZAGOS DISTRIBUIDOS Y AUTORREGRESIVOS
Estimación de modelos de rezagos infinito …

Método de Koyck:
Dado el siguiente modelo:
Yt     0 X t  1 X t 1   2 X t  2  ...  t
Supuesto:

 i   0 i i  1,2,... 0   1

 Los coeficiente no cambian de signo

 El impacto de la variable exógena tiene un peso menor en el pasado
distante que en el actual.
 La suma de los impactos sucesivos nos proporciona el impacto de largo
plazo.
MODELOS DE REZAGOS DISTRIBUIDOS Y AUTORREGRESIVOS
Estimación de modelos de rezagos infinito …

Entonces, el modelo de rezagos puede escribirse como:

Yt     0 X t   0 X t 1  2  0 X t  2  3  0 X t 3  ...  t
Por tanto, el multiplicador de largo plazo será:

 i 0 0 0
      2
  0 3
 ...

 i 0
  (1    2
 3
 ...)


 1 

i 0
i  0 
1   

MODELOS DE REZAGOS DISTRIBUIDOS Y AUTORREGRESIVOS
Estimación de modelos de rezagos infinito …

Dado el siguiente modelo de rezagos distribuidos infinito:

Yt     0 X t   0 X t 1  2  0 X t  2  3  0 X t 3  ...  t [1]

Rezagando el modelo en un periodo se tiene:

Yt 1     0 X t 1   0 X t  2  2  0 X t 3  ...  t 1

Multiplicando por  :

Yt 1     0 X t 1  2  0 X t  2  3  0 X t 3  ...   t 1 [2]

Restando [2] de [1] miembro a miembro y despejando se tiene:

Yt   (1   )   0 X t  Yt 1  ( t  t 1 )
MODELOS DE REZAGOS DISTRIBUIDOS Y AUTORREGRESIVOS
Estimación de modelos de rezagos infinito …

La transformación de Koyck presenta las siguientes características:

 Se empieza con un modelo de rezagos distribuidos y se termina con un
modelo autorregresivo.
 Es probable que la aparición de una variable endógena rezagada en el
modelo final genere algunos problemas estadísticos.
 Se tiene que enfrentar el problema de autocorrelación.
 La prueba de autocorrelación de Durbin-Watson ya no es válida.
RACIONALIZACIÓN DEL MODELO DE KOYCK
El modelo de expectativas adaptativas …

Supongamos el siguiente modelo:

Yt   0  1 X t*  t [1]
Donde:
Y  Demanda de dinero
X t*  Tasa de interés esperada (largo plazo o de equilibrio)
Hipótesis:

X t*  X t*1   ( X t  X t*1 )
El cual se puede escribir también como:

X t*  X t  (1   ) X t*1 [2]
RACIONALIZACIÓN DEL MODELO DE KOYCK
Modelo de expectativas adaptativas …

Sustituyendo [2] en [1] se tiene:

Yt   0  1[X t  (1   ) X t*1 ]  t
Yt   0  1 X t  (1   ) 1 X t*1  t [3]

Rezagando [1] en un periodo y multiplicando por : (1   )

Yt 1   0  1 X t*1  t 1
(1   )Yt 1  (1   )  0  (1   ) 1 X t*1  (1   ) t 1 [4]

Restando [3] menos [4] miembro a miembro y despejando se tiene:

Yt   0  1 X t  (1   )Yt 1  [ t  (1   ) t 1 ] [5]

RACIONALIZACIÓN DEL MODELO DE KOYCK
Modelo de expectativas adaptativas …

Dado el siguiente modelo:

M t   0 Rt1Yt* 2 e t [6]
Donde:

Yt*
 Mt 
*
 *  [7]
Yt 1  M t 1 

Considérese los datos del archivo Table 17_5 estime el modelo [6]
RACIONALIZACIÓN DEL MODELO DE KOYCK
El modelo de ajuste de existencias o de ajuste parcial …

Supongamos el siguiente modelo:

Yt*   0  1 X t  t [7]
Donde:
Yt *  Nivel de existencias deseado (equilibrio u óptimo)
X t  Nivel de la producción
Hipótesis de ajuste parcial o de ajuste de existencias:

Yt  Yt 1   (Yt *  Yt 1 )
El cual se puede escribir también como:

Yt  Yt*  (1   )Yt 1 [8]

RACIONALIZACIÓN DEL MODELO DE KOYCK
El modelo de ajuste de existencias o de ajuste parcial …

Sustituyendo [6] en [7] se tiene:

Yt   (  0  1 X t  t )  (1   )Yt 1
Yt   0  1 X t  t  (1   )Yt 1
Ordenando se obtiene:

Yt   0  1 X t  (1   )Yt 1  t [9]

RACIONALIZACIÓN DEL MODELO DE KOYCK
Modelo de ajuste de existencias o de ajuste parcial …

Dado el siguiente modelo:

M t*   0 Rt1Yt  2 e t [10]
Donde:

Mt M  *
 t
M t 1  M t 1  [11]

Considérese los datos del archivo Table 17_5 y estime el modelo [6]
RACIONALIZACIÓN DEL MODELO DE KOYCK
Modelo de ajuste de existencias o de ajuste parcial …

Dado el siguiente modelo:

LnM t*  Ln 0  1 LnRt   2 LnYt  t [11]
Donde:
LnM t  LnM t 1   ( LnM t*  LnM t 1 ) [12]

LnM t  LnM t 1   ( Ln 0  1 LnRt   2 LnYt  t  LnM t 1 )

LnM t  LnM t 1  Ln 0  1 LnRt   2 LnYt  t  LnM t 1
LnM t  Ln 0  1 LnRt   2 LnYt  (1   ) LnM t 1  t
Este ultimo es el largo plazo, el inicial es de corto plazo
RACIONALIZACIÓN DEL MODELO DE KOYCK
Combinación de expectativas adaptativas y ajuste parcial …

Considérese el siguiente modelo:

Yt *   0  1 X t*  t [12]
Donde:
Yt *  Nivel de existencias deseado

X t*  Nivel de la producción esperado

Hipótesis:

X t*  X t  (1   ) X t*1 [13]

Yt  Yt*  (1   )Yt 1 [14]

 RACIONALIZACIÓN DEL MODELO DE KOYCK
El modelo de expectativas adaptativas y ajuste parcial …

Sustituyendo [12] en [14] se tiene:

Yt   (  0  1 X t*  t )  (1   )Yt 1
Yt   0  1 X t*  (1   )Yt 1  t [15]

Sustituyendo [13] en [15] se tiene:

Yt   0  1[X t  (1   ) X t*1 ]  (1   )Yt 1  t

Yt   0  1 X t  (1   )1 X t*1  (1   )Yt 1  t [16]

Rezagando en un periodo [12] y multiplicando por: (1   )

(1   )Yt 1  (1   ) 0  (1   )1 X t*1  (1   )(1   )Yt  2  (1   )t 1 [17]
RACIONALIZACIÓN DEL MODELO DE KOYCK
El modelo de expectativas adaptativas y ajuste parcial …

Restando [13] menos [14] miembro a miembro y despejando se tiene:

Yt   0  1 X t  [(1   )  (1   )]Yt 1  (1   )(1   )Yt  2   t [18]

Donde:

 t   [ t  (1   ) t 1 ]
ESTIMACIÓN DE MODELOS AUTORREGRESIVOS
Resumen …

Modelo de Koyck:

Yt   (1   )   0 X t  Yt 1  ( t  t 1 )
Modelo de expectativas adaptativas

Yt   0  1  (1   )Yt 1  [ t  (1   ) t 1 ]
Modelo de ajuste parcial

Yt   0  1 X t  (1   )Yt 1  t

Forma común:

Yt   0  1 X t   2Yt 1   t
ESTIMACION DE MODELOS AUTORREGRESIVOS
Método de variables instrumentales …

Solución Liviatan:

 Y  nˆ  ˆ  X  ˆ  Y
t 0 1 t 2 t 1

 Y X  ˆ  X  ˆ  X  ˆ  Y X
t t 0 t 1 t
2
2 t 1 t

 Y X  ˆ  X  ˆ  X X  ˆ  Y
t t 1 0 t 1 1 t t 1 2 t 1 X t 1
Solución mínimos cuadrados Ordinarios:

 Y  nˆ  ˆ  X  ˆ  Y
t 0 1 t 2 t 1

 Y X  ˆ  X  ˆ  X  ˆ  Y X
t t 0 t 1 t
2
2 t 1 t

 Y Y  ˆ  Y  ˆ  X Y  ˆ  Y
t t 1 0 t 1 1 t t 1 2
2
t 1
ESTIMACIÓN DE MODELOS DE REZAGOS DISTRIBUIDOS FINITO
Estimación de modelos de rezagos finito …Método de Shirley Almon.

Dado el siguiente modelo:

Yt     0 X t  1 X t 1   2 X t  2  ...   k X t  k  t [16]

El cual también se puede escribir:

k
Yt      i X t i  t [17]
i 0
i Puede seguir los siguientes patrones:

 i  a0  a1i  a2i 2 [18]

 i  a0  a1i  a2i 2  a3i 3 [19]

 i  a0  a1i  a2i 2  a3i 3  ...  ami m [20]

ESTIMACIÓN DE MODELOS DE REZAGOS DISTRIBUIDOS FINITO
Estimación de Modelos de Rezagos finito … Método de Shirley Almon

Sustituyendo [18] en [17] se tiene:

k
Yt     (a0  a1i  a2i 2 ) X t i  t
i 0
k k k
Yt    a0  X t i  a1  iX t i  a2  i 2 X t i t
i 0 i 0 i 0

 i  a0  a1i  a2i 2
 0  a0
 2  a0  a1  a2
 2  a0  2a1i  4a2  3  a0  3a1  9a2
ESTIMACIÓN DE MODELOS DE REZAGOS DISTRIBUIDOS FINITO
Ejemplo Modelo de Almon: Tres rezagos y polinomio de grado 1.

Dado el siguiente modelo:

Yt     0 X t  1 X t 1   2 X t  2   3 X t 3  t
Se puede escribir también como:
3
Yt      i X t i  t
i 0
Si consideramos que:

 i  a0  a1i
Entonces:
3
Yt     (a0  a1i ) X t i  t
i 0
ESTIMACIÓN DE MODELOS DE REZAGOS DISTRIBUIDOS FINITO
Ejemplo Modelo de Almon: Tres rezagos y polinomio de grado 1.

Luego:
3 3
Yt    a0  X t i  a1  iX t i  t
i 0 i 0

Yt    a0 Z 0t   a1Z1t  t
Cuya estimación por el MMCO es: ˆ0  aˆ0
Yˆt  ˆ  aˆ0 Z 0t  aˆ1Z1t ˆ1  aˆ 0  aˆ1
Por tanto si: ˆ2  aˆ0  2aˆ1
ˆi  aˆ0  aˆ1i ˆ3  aˆ0  3aˆ1
ESTIMACIÓN DE MODELOS DE REZAGOS DISTRIBUIDOS FINITO
Ejemplo Modelo de Almon: Tres Rezagos y polinomio de grado 1.

Además considérese que:

3
Z 0t   X t i  X t  X t 1  X t  2  X t 3
i 0
3
Z1t   iX t i  X t 1  2 X t  2  3 X t 3
i 0
ESTIMACIÓN DE MODELOS DE REZAGOS DISTRIBUIDOS FINITO
Ejemplo Modelo de Almon: Tres rezagos y polinomio de grado 2.

Dado el siguiente modelo:

Yt     0 X t  1 X t 1   2 X t  2   3 X t 3  t
Se puede escribir también como:
3
Yt      i X t i  t
i 0
Si consideramos que:

 i  a0  a1i  a2i 2
Entonces:
3
Yt     (a0  a1i  a3i 2 ) X t i  t
i 0
ESTIMACIÓN DE MODELOS DE REZAGOS DISTRIBUIDOS FINITO
Ejemplo Modelo de Almon: Tres rezagos y polinomio de grado 2.

Luego:
3 3 3
Yt    a0  X t i  a1  iX t i  a2  i 2 X t i t
i 0 i 0 i 0

Yt    a0 Z 0t   a1Z1t  a2 Z 2t  t
Cuya estimación por el MMCO es: ˆ0  aˆ0
Yˆt  ˆ  aˆ0 Z 0t  aˆ1Z1t  aˆ 2 Z 2t ˆ1  aˆ0  aˆ1  aˆ 2
Por tanto: ˆ2  aˆ0  2aˆ1  4aˆ 2
ˆi  aˆ0  aˆ1i  aˆ 2i 2 ˆ3  aˆ0  3aˆ1  9aˆ 2
ESTIMACIÓN DE MODELOS DE REZAGOS DISTRIBUIDOS FINITO
Ejemplo Modelo de Almon: Tres Rezagos y polinomio de grado 2.

Considérese que:
3
Z 0t   X t i  X t  X t 1  X t  2  X t 3
i 0
3
Z1t   iX t i  X t 1  2 X t  2  3 X t 3
i 0

3
Z 2t   i 2 X t i  X t 1  4 X t  2  9 X t 3
i 0
ESTIMACIÓN DE MODELOS DE REZAGOS DISTRIBUIDOS FINITO
Ejemplo Modelo de Almon: Tres rezagos y polinomio de grado 2.

Y además:

Var ( ˆ0 )  Var (aˆ0 )

Var ( ˆ1 )  Var (aˆ0 )  Var (aˆ1 )  var(aˆ 2 )  2Cov(aˆ0 , aˆ1 )  2Cov(aˆ0 , aˆ 2 ) 

Var ( ˆ2 )  Var (aˆ0 )  4Var (aˆ1 )  16 var(aˆ 2 )  4Cov(aˆ0 , aˆ1 )  8Cov(aˆ0 , aˆ

Var ( ˆ3 )  Var (aˆ0 )  9Var (aˆ1 )  81 var(aˆ 2 )  6Cov (aˆ0 , aˆ1 )  18Cov(aˆ0 ,
ESTIMACIÓN DE MODELOS DE REZAGOS DISTRIBUIDOS FINITO
Modelo de Almon con Eviews: Tres rezagos y polinomio de grado 1.

Siendo el modelo:
Yt     0 X t  1 X t 1   2 X t  2   3 X t 3  t
3
Yt      i X t i  t
i 0
En Eviews se considera que:

 i  a0  a1 (i   )
Donde:
k 1
 Si k es impar
2
ESTIMACIÓN DE MODELOS DE REZAGOS DISTRIBUIDOS FINITO
Modelo de Almon con Eviews: Tres rezagos y polinomio de grado 1.

3
Yt      a0  a1 (i   ) X t i  t
i 0

Siendo k=3:
3 3
Yt    a0  X t i a1  (i  1) X t i t
i 0 i 0

Donde:

Yt    a0 PDL01  a1 PDL02  t

Cuya estimación por el MMCO es:

Yˆt  ˆ  aˆ0 PDL01  aˆ1 PDL02

ESTIMACIÓN DE MODELOS DE REZAGOS DISTRIBUIDOS FINITO
Modelo de Almon con Eviews: Tres rezagos y polinomio de grado 1.

Siendo:
3
PDL01   X t i  X t  X t 1  X t 2  X t 3
i 0
3
PDL02   (i  1) X t i  (0  1) X t  (1  1) X t 1  (2  1) X t  2  (3  1) X t 3
i 0
ESTIMACIÓN DE MODELOS DE REZAGOS DISTRIBUIDOS FINITO
Modelo de Almon con Eviews: Tres rezagos y polinomio de grado 2.

Siendo el modelo:
Yt     0 X t  1 X t 1   2 X t  2   3 X t 3  t
3
Yt      i X t i  t
i 0
En Eviews se considera que:

 i  a0  a1 (i   )  a2 (i   ) 2
Donde:
k k 1
 Si k es par  Si k es impar
2 2
ESTIMACIÓN DE MODELOS DE REZAGOS DISTRIBUIDOS FINITO
Modelo de Almon con Eviews: Tres rezagos y polinomio de grado 2.

 
3
Yt     a0  a1 (i   )  a2 (i   ) 2 X t i  t
i 0

Siendo k=3:
3 3 3
Yt    a0  X t i a1  (i  1) X t i a2  (i  1) 2 X t i t
i 0 i 0 i 0

Donde:

Yt    a0 PDL01  a1 PDL02  a2 PDL03  t

Cuya estimación por el MMCO es:

Yˆt  ˆ  aˆ0 PDL01  aˆ1 PDL02  aˆ 2 PDL03

ESTIMACIÓN DE MODELOS DE REZAGOS DISTRIBUIDOS FINITO
Modelo de Almon con Eviews: Tres rezagos y polinomio de grado 2.

Siendo:
3
PDL01   X t i  X t  X t 1  X t 2  X t 3
i 0
3
PDL02   (i  1) X t i  (0  1) X t  (1  1) X t 1  (2  1) X t  2  (3  1) X t 3
i 0
3
PDL03   (i  1) 2 X t i  (0  1) 2 X t  (1  1) 2 X t 1  (2  1) 2 X t  2  (3  1) 2 X t 3
i 0
ESTIMACIÓN DE MODELOS DE REZAGOS DISTRIBUIDOS FINITO
Modelo de Almon con Eviews: Tres rezagos y polinomio de grado 2.

Por tanto:

ˆ0  aˆ0  aˆ1 (0  1)  aˆ 2 (0  1) 2

ˆ1  aˆ0  aˆ1 (1  1)  aˆ2 (1  1) 2

ˆ2  aˆ0  aˆ1 (2  1)  aˆ2 (2  1) 2

ˆ3  aˆ0  aˆ1 (3  1)  aˆ 2 (3  1) 2

ESTIMACIÓN DE MODELOS DE REZAGOS DISTRIBUIDOS FINITO
Modelo de Almon con Eviews: Tres rezagos y polinomio de grado 2.

Es decir:

ˆ0  aˆ0  aˆ1  aˆ 2

ˆ1  aˆ0
ˆ2  aˆ0  aˆ1  aˆ 2

ˆ3  aˆ0  2aˆ1  4aˆ 2

ESTIMACIÓN DE MODELOS DE REZAGOS DISTRIBUIDOS FINITO
Modelo de Almon con Eviews: Tres rezagos y polinomio de grado 2.

Por tanto:

Var ( ˆ0 )  Var (aˆ0 )  Var (aˆ1 )  Var (aˆ 2 )  2Cov(aˆ0 , aˆ1 )  2Cov(aˆ0 , aˆ 2 )  2Cov(aˆ1 , aˆ

Var ( ˆ1 )  Var (aˆ0 )

Var ( ˆ2 )  Var (aˆ0 )  Var (aˆ1 )  Var (aˆ3 )  2Cov(aˆ0 , aˆ1 )  2Cov(aˆ0 , aˆ 2 )  2Cov

Var ( ˆ3 )  Var (aˆ0 )  4Var (aˆ1 )  16Var (aˆ 2 )  4Cov(aˆ0 , aˆ1 )  8Cov(aˆ0 , aˆ 2 )  16Co
ESTIMACIÓN DE MODELOS DE REZAGOS DISTRIBUIDOS FINITO
Ejemplo Modelo de Almon: Cuatro rezagos y polinomio de grado 2.

Dado el siguiente modelo:

Yt     0 X t  1 X t 1   2 X t  2   3 X t 3   4 X t  4  t
Se puede escribir también como:
4
Yt      i X t i  t
i 0
Si consideramos que:

 i  a0  a1i  a2i 2
Entonces:
4
Yt     (a0  a1i  a2i 2 ) X t i  t
i 0
ESTIMACIÓN DE MODELOS DE REZAGOS DISTRIBUIDOS FINITO
Ejemplo Modelo de Almon: Cuatro rezagos y polinomio de grado 2.

Luego:
4 4 4
Yt    a0  X t i  a1  iX t i  a2  i 2 X t i t
i 0 i 0 i 0

Yt    a0 Z 0t   a1Z1t  a2 Z 2t  t
ˆ0  aˆ0
Cuya estimación por el MMCO es:
ˆ1  aˆ0  aˆ1  aˆ 2
Yˆt  ˆ  aˆ0 Z 0t  aˆ1Z1t  aˆ 2 Z 2t
ˆ2  aˆ0  2aˆ1  4aˆ 2
Por tanto:
ˆ3  aˆ0  3aˆ1  9aˆ 2
ˆi  aˆ0  aˆ1i  aˆ 2i 2
ˆ4  aˆ0  4aˆ1  16aˆ 2
ESTIMACIÓN DE MODELOS DE REZAGOS DISTRIBUIDOS FINITO
Ejemplo Modelo de Almon: Cuatro Rezagos y polinomio de grado 2.

Considérese que:
4
Z 0t   X t i  X t  X t 1  X t  2  X t 3  X t  4
i 0
4
Z1t   iX t i X t 1  2 X t  2  3 X t 3  4 X t  4
i 0

4
Z 2t   i 2 X t i X t 1  4 X t  2  9 X t 3  16 X t  4
i 0
ESTIMACIÓN DE MODELOS DE REZAGOS DISTRIBUIDOS FINITO
Ejemplo Modelo de Almon: Cuatro rezagos y polinomio de grado 2.

Y además:

Var ( ˆ0 )  Var (aˆ0 )

Var ( ˆ1 )  Var (aˆ0 )  Var (aˆ1 )  var(aˆ 2 )  2Cov(aˆ0 , aˆ1 )  2Cov(aˆ0 , aˆ 2 ) 

Var ( ˆ2 )  Var (aˆ0 )  4Var (aˆ1 )  16 var(aˆ 2 )  4Cov(aˆ0 , aˆ1 )  8Cov(aˆ0 , aˆ

Var ( ˆ3 )  Var (aˆ0 )  9Var (aˆ1 )  81 var(aˆ 2 )  6Cov (aˆ0 , aˆ1 )  18Cov(aˆ0 ,

Var ( ˆ4 )  Var (aˆ0 )  16Var (aˆ1 )  256 var(aˆ2 )  8Cov(aˆ0 , aˆ1 )  32Cov(a
ESTIMACIÓN DE MODELOS DE REZAGOS DISTRIBUIDOS FINITO
Modelo de Almon con Eviews: Cuatro rezagos y polinomio de grado 2.

Siendo el modelo:
Yt     0 X t  1 X t 1   2 X t  2   3 X t 3   4 X t  4  t
4
Yt      i X t i  t
i 0
En Eviews se considera que:

 i  a0  a1 (i   )  a2 (i   ) 2
Donde:
k
  2
2
ESTIMACIÓN DE MODELOS DE REZAGOS DISTRIBUIDOS FINITO
Modelo de Almon con Eviews: Cuatro rezagos y polinomio de grado 2.

 
4
Yt     a0  a1 (i   )  a2 (i   ) 2 X t i  t
i 0

 
4
Yt     a0  a1 (i  2)  a2 (i  2) 2 X t i  t
i 0
4 4 4
Yt    a0  X t i a1  (i  2) X t i a2  (i  2) 2 X t i t
i 0 i 0 i 0
Donde:

Yt    a0 PDL01  a1 PDL02  a2 PDL03  t

Cuya estimación por el MMCO es:

Yˆt  ˆ  aˆ0 PDL01  aˆ1 PDL02  aˆ 2 PDL03

ESTIMACIÓN DE MODELOS DE REZAGOS DISTRIBUIDOS FINITO
Modelo de Almon con Eviews: Cuatro rezagos y polinomio de grado 2.

Siendo:
4
PDL01   X t i  X t  X t 1  X t  2  X t 3  X t  4
i 0
4
PDL02   (i  2) X t i  (0  2) X t  (1  2) X t 1  (2  2) X t  2  (3  2) X t 3 
i 0
4
PDL03   (i  2) 2 X t i  (0  2) 2 X t  (1  2) 2 X t 1  (2  2) 2 X t  2  (3  2) 2 X t 3 
i 0
ESTIMACIÓN DE MODELOS DE REZAGOS DISTRIBUIDOS FINITO
Modelo de Almon con Eviews: Cuatro rezagos y polinomio de grado 2.

Siendo:
4
PDL01   X t i  X t  X t 1  X t  2  X t 3  X t  4
i 0
4
PDL02   (i  2) X t i  2 X t  X t 1  X t 3  2 X t  4
i 0
4
PDL 03   (i  2) 2 X t i  4 X t  X t 1  X t 3  4 X t  4
i 0
ESTIMACIÓN DE MODELOS DE REZAGOS DISTRIBUIDOS FINITO
Modelo de Almon con Eviews: Cuatro rezagos y polinomio de grado 2.

Por tanto:

ˆ0  aˆ0  aˆ1 (0  2)  aˆ 2 (0  2) 2

ˆ1  aˆ0  aˆ1 (1  2)  aˆ 2 (1  2) 2

ˆ2  aˆ0  aˆ1 (2  2)  aˆ 2 (2  2) 2

ˆ3  aˆ0  aˆ1 (3  2)  aˆ2 (3  2) 2

ˆ4  aˆ0  aˆ1 (4  2)  aˆ 2 (4  2) 2

ESTIMACIÓN DE MODELOS DE REZAGOS DISTRIBUIDOS FINITO
Modelo de Almon con Eviews: Cuatro rezagos y polinomio de grado 2.

Por tanto:

ˆ0  aˆ0  2aˆ1  4aˆ 2

ˆ1  aˆ0  aˆ1  aˆ 2

ˆ2  aˆ0

ˆ3  aˆ0  aˆ1  aˆ 2

ˆ4  aˆ0  2aˆ1  4aˆ 2

ESTIMACIÓN DE MODELOS DE REZAGOS DISTRIBUIDOS FINITO
Modelo de Almon con Eviews: Cuatro rezagos y polinomio de grado 2.

Por tanto:

Var ( ˆ0 )  Var (aˆ0 )  4Var (aˆ1 )  16Var (aˆ 2 )  4Cov(aˆ0 , aˆ1 )  8Cov(aˆ0 , aˆ 2 )  16Cov

Var ( ˆ1 )  Var (aˆ0 )  Var (aˆ0 )  Var (aˆ0 )  2Cov(aˆ0 , aˆ1 )  2Cov(aˆ0 , aˆ 2 )  2

Var ( ˆ2 )  Var (aˆ0 )

Var ( ˆ3 )  Var (aˆ0 )  Var (aˆ1 )  Var (aˆ2 )  2Cov(aˆ0 , aˆ1 )  2Cov(aˆ0 , aˆ2 )  2Cov(aˆ1

Var ( ˆ4 )  Var (aˆ0 )  4Var (aˆ1 )  16Var (aˆ 2 )  4Cov(aˆ0 , aˆ1 )  8Cov(aˆ0 , aˆ 2 )  16Co
ESTIMACIÓN DE MODELOS DE REZAGOS DISTRIBUIDOS FINITO
Modelo de Almon con Eviews: dos rezagos y polinomio de grado 1.

Siendo el modelo:
Yt     0 X 2t  1 X 2t 1   2 X 2t  2   0 X 3t  1 X 3t 1   3 X 3t  2  t
2 2
Yt      i X 2t i    i X 3t i  t
i 0 i 0
En Eviews se considera que:

 i  a0  a1 (i   )  i  b0  b1 (i   )
Donde:

 1
ESTIMACIÓN DE MODELOS DE REZAGOS DISTRIBUIDOS FINITO
Modelo de Almon con Eviews: dos rezagos y polinomio de grado 1.

2 2
Yt      i X 2t i    i X 3t i  t
i 0 i 0

2 2
Yt     [a0  a1 (i  1)] X 2t i   [b0  b1 (i  1)] X 3t i  t
i 0 i 0

2 2 2 2
Yt    a0  X 2t 1  a1  (i  1) X 2t i  b0  X 3t i  b1  (i  1) X 3t i 
i 0 i 0 i 0 i 0

Yt    a0 PDF1  a1 PDF2  b0 PDF3  b1 PDF4  t

ESTIMACIÓN DE MODELOS DE REZAGOS DISTRIBUIDOS FINITO
Modelo de Almon con Eviews: dos rezagos y polinomio de grado 1.

2
PDF1   X 2t i  X 2t  X 2t 1  X 2t  2
i 0

2
PDF2   (i  1) X 2t i   X 2t  X 2t  2
i 0

2
PDF3   X 3t i  X 3t  X 3t 1  X 3t  2
i 0

2
PDF4   (i  1) X 3t i   X 3t  X 3t  2
i 0
ESTIMACIÓN DE MODELOS DE REZAGOS DISTRIBUIDOS FINITO
Modelo de Almon con Eviews: dos rezagos y polinomio de grado 1.

ˆ0  aˆ0  aˆ1 (0  1)

ˆ1  aˆ0  aˆ1 (1  1)

ˆ2  aˆ0  aˆ1 (2  1)

ˆ0  bˆ0  bˆ1 (0  1)

ˆ1  bˆ0  bˆ1 (1  1)

ˆ2  bˆ0  bˆ1 (2  1)

ESTIMACIÓN DE MODELOS DE REZAGOS DISTRIBUIDOS FINITO
Modelo Retardo aritmético de Fisher

Siendo el modelo:

Yt     0 X t  1 X t 1   2 X t  2   3 X t 3  ...   k X t  k  t
k
Yt      i X t i  t
i 0

( k  1  i ) 0i4
i 
0 ik
ESTIMACIÓN DE MODELOS DE REZAGOS DISTRIBUIDOS FINITO
Modelo Retardo aritmético de Fisher … 3 rezagos.

Dado el siguiente modelo:

Yt     0 X t  1 X t 1   2 X t 2   3 X t 3  t
3

 X  
Yt   
i 0
i t i t Siendo: (k  1  i )
3

Y     (k  1  i )X  
t t i t
i 0
3

Y      (4  i ) X  
t t i t
i 0
ESTIMACIÓN DE MODELOS DE REZAGOS DISTRIBUIDOS FINITO
Modelo Retardo aritmético de Fisher … 3 rezagos.

Yt     i 0
(4  i ) X t i  t Yt    Z t  t
3

 (4  i) X
i 0
t i  Z t  4 X t  3 X t 1  2 X t 2  X t 3

ˆ0  4
ˆ  3
1
i  (k  1  i )
ˆ2  2
ˆ3  
ESTIMACIÓN DE MODELOS DE REZAGOS DISTRIBUIDOS FINITO
Modelo Retardo aritmético de Fisher … 4 rezagos.

Dado el siguiente modelo:

Yt     0 X t  1 X t 1   2 X t 2   3 X t 3   4 X t  4  t
4
Yt      i X t i  t
i 0

Siendo:  i  (k  1  i )
4
Yt     (k  1  i )X t i  t
i 0
4
Yt      (5  i ) X t i  t
i 0
ESTIMACIÓN DE MODELOS DE REZAGOS DISTRIBUIDOS FINITO
Modelo Retardo aritmético de Fisher … 4 rezagos

4
Yt      (5  i) X t i  t Yt    Z t  t
i 0
4

 (5  i) X
i 0
t i  Z t  5 X t  4 X t 1  3 X t 2  2 X t 3  X t  4

ˆ0  5
ˆ1  4
i  ˆ2  3 (k  1  i )  (4  1  i )
ˆ3  2
ˆ4  
ESTIMACIÓN DE MODELOS DE REZAGOS DISTRIBUIDOS FINITO
Modelo Retardo en V invertida de Deleeuv …

Siendo el modelo:

Yt     0 X t  1 X t 1   2 X t 2   3 X t 3  ...   3 X t k  t
k

Yt     X
i 0
i t i  t

i 0i  k/2
i 
(k  i ) k / 2 1  i  k
ESTIMACIÓN DE MODELOS DE REZAGOS DISTRIBUIDOS FINITO
Modelo Retardo en V invertida de Deleeuv …

Siendo el modelo:

Yt     0 X t  1 X t 1   2 X t 2   3 X t 3  ...   3 X t k  t
k

Yt     X
i 0
i t i  t

i 0i  k/2
i 
(k  i ) k / 2 1  i  k
ESTIMACIÓN DE MODELOS DE REZAGOS DISTRIBUIDOS FINITO
Modelo Retardo en V invertida de Deleeuv … 4 rezagos.

Siendo el modelo:

Yt     0 X t  1 X t 1   2 X t 2   3 X t 3   3 X t 4  t
4

Yt     X
i 0
i t i  t

i 0i2
i 
(k  i ) 3i  4
2 4

Yt     iX   (k  i)X
i 0
t i
i 3
t i  t
ESTIMACIÓN DE MODELOS DE REZAGOS DISTRIBUIDOS FINITO
Modelo Retardo en V invertida de Deleeuv … 4 rezagos.

 2 4

Yt     


 iX  
i 0
t i
i 3
(4  i) X t i   t


Yt    Z t  t
ˆ0  0
Donde: ˆ1    i
Z t  X t 1  2 X t 2  X t 3 i  ˆ  2
2

ˆ3  
 (4  i )
ˆ4  0
ESTIMACIÓN DE MODELOS DE REZAGOS DISTRIBUIDOS
Prueba de Causalidad de Granger …

… el tiempo no corre hacia atrás. Es decir, si un acontecimiento A sucede

antes de un suceso B, entonces es posible que A esté causando a B. Sin
embargo, no es posible que B esté provocando A. En otras palabras, los
acontecimientos pasados pueden propiciar sucesos que se estén dando en
la actualidad. Lo cual no ocurre con los acontecimientos futuros.

. n . n .
PBI t    i M t i    j PBI t  j  1t
i 1 j 1

. m . m .
M t   i M t i    j PBI t  j   2t
i 1 j 1
ESTIMACIÓN DE MODELOS DE REZAGOS DISTRIBUIDOS
Prueba de Causalidad de Granger …

M causa PBI si se cumple que:

 i 0  j 0

PBI causa M si se cumple que:

 i 0  j 0
Existe independencia si se cumple que:

 i 0  j 0

Existe una causalidad bilateral si se cumple que:

 i 0  j 0