Beruflich Dokumente
Kultur Dokumente
CAPTULO 3
MODELOS DE SERIES DE TIEMPO
ESTACIONARIAS MULTIVARIADOS
La tcnica de series de tiempo univariadas que revisamos en el Captulo 2 provee una
importante herramienta de pronstico sobre la evolucin futura de alguna variable de la economa y,
de hecho, es ampliamente utilizada. Sin embargo, ella es limitada para entender y modelar el
funcionamiento de la economa en general, pues excluye la interaccin entre variables econmicas
que, razonablemente, es lo que caracteriza la estructura de la economa. El instrumental de los
modelos ARMA puede ser extendido directamente para hacer modelos multivariados, es decir,
aquellos en que se modela un vector de variables de inters.
En este captulo nos concentraremos en modelos de vectores autoregresivos (VAR)
excluyendo del anlisis los vectores de medias mviles (VMA). Existen dos razones para excluir
estos ltimos. Primero, los modelos VMA son altamente no lineales, lo que complica su estimacin y
hace muy difcil su interpretacin. Segundo, como hemos visto, cualquier modelo MA(q) puede ser
aproximado de manera arbitrariamente cercana usando un modelo AR de orden suficientemente
grande.
3.01
VECTORES AUTOREGRESIVOS1
(3.1)
donde y y z son dos procesos ruido blanco independientes entre s, es decir, con cov(y,z)=0.
La ecuacin (3.1), que a lo largo de este captulo llamaremos VAR primitivo, presenta tres
caractersticas interesantes:
1 Los modelos VAR fueron impulsados por el clebre trabajo de C. Sims (1980), "Macroeconomics and Reality,"
Econometrica, 48, 1-48, donde se hace una lcida crtica de los modelos economtricos tradicionales para el anlisis de
polticas econmicas.
3.2
Si estas ecuaciones se estimasen por separado usando mnimos cuadrados ordinarios, los
estimadores de los parmetros incurriran en sesgo de simultaneidad si 12 o 21 no son cero.
Aunque no podemos estimar la forma primitiva del modelo, podemos estimar su forma
reducida. Considere:
1 12
21 1
][ ] [ ] [
yt
12
= 10 11
zt
20
21 22
][ ] [ ]
y
y t 1
tz
z t 1
t
(3.2)
(3.3)
(3.4)
donde con A0 = B1 0 , A1 =B1 1 , y e t =B1 t . Como resulta evidente, el modelo (3.4) no tiene
problemas de simultaneidad, por lo cual es posible estimarlo directamente usando mnimos
cuadrados. A la vez, ntese que mantiene la estructura dinmica del modelo primitivo. Sin embargo,
las innovaciones de la ecuacin (3.4) que llamaremos forma reducida o estimable no son las mismas
que las del modelo primitivo, por cuanto si 12 o 21 no son cero, habr correlacin entre los
componentes de et.
Equivalentemente, podemos escribir el modelo de forma reducida como:
[][ ][
yt
a
a
a
= 10 11 12
zt
a 20
a 21 a 22
3.02
][ ] [ ]
e1t
y t1
2
z t1
et
(3.5)
EL PROBLEMA DE IDENTIFICACIN
Debido a que el modelo que se puede estimar sin problemas economtricos es la forma
reducida que no es de inters en muchas ocasiones, resulta importante preguntarse si podemos
recuperar el VAR primitivo a partir de los parmetros estimados en la forma reducida. Una cuenta
rpida de incgnitas y ecuaciones sugiere que esto no es posible:2
2 En estricto rigor, lo que debe verificarse es la condicin de rango del sistema de ecuaciones y no la condicin de
orden (ver Apndice A). Para fines didcticos, el uso de la condicin de orden es suficiente.
3.3
Desconocidos: 10 ,20 , 21 , 12 ,11 ,12 , 21 , 22 , 2z , 2y
Conocidos:
a 10 ,a 20 ,a 11 , a 12 , a 21 ,a 22 , 21 , 22 ,cov e 1t , et2
El nmero de parmetros desconocidos en el modelo primitivo es mayor que el nmero de
ecuaciones que determinan los parmetros de la forma reducida para la cual tenemos estimadores.
Por lo tanto, no se puede identificar el modelo primitivo a partir del modelo reducido, al menos que
se imponga una restriccin 12 =0 o 21 =0 . De hecho, este resultado es general, no importando el
nmero de variables incluidas en el VAR ni su orden (nmero de rezagos). La principal implicacin
de este resultado es que todo modelo de ecuaciones simultneas est sub-identificado. El corolario
de este resultado es que para identificar un modelo primitivo, obligatoriamente habr que imponer
restricciones de identificacin. El problema de estimar modelos de ecuaciones simultneas se
transforma, entonces, en un problema de tipos y formas de restricciones de identificacin que cada
cientfico impone y la justificacin que se le da a dichas restricciones.
Veamos qu es lo que hace una restriccin de identificacin en este contexto. Qu es lo que
se logra al imponer una (o ms) restriccin? Supongamos que forzamos 21 =0 . Entonces, el VAR
primitivo se convierte en
y t =1012 z t 11 y t 112 z t 1 ty
z t =20
21 y t 1 22 z t1 zt
(3.6)
2
y
= 12
2
z
2
2
2
z
1, 2
cov e e =12
(3.7)
2
2
3.4
La descomposicin de Cholesky no es nica. De hecho, podramos haber supuesto 12 =0 y
haber obtenido otro modelo primitivo a partir de la misma forma reducida. Esto implica
necesariamente que toda identificacin es arbitraria. Para hacer un anlisis con VARs de manera
seria debemos presentar y estudiar las posibles descomposiciones alternadamente.
La descomposicin de Choleski no es la nica forma de identificar. Hay una lnea de anlisis
basada en imponer ceros ex-ante con pretextos (buenos y malos) tericos con el nombre de VAR
estructural, que discutiremos ms adelante. Hay otra posibilidad de identificar la forma primitiva del
VAR no con restricciones a innovaciones contemporneas, sino mediante la imposicin de
restricciones sobre los efectos acumulados de las innovaciones de alguna variable sobre el sistema. 4
En cualquier caso, sea que se ocupe la descomposicin de Cholesky o algn otro modo de
identificacin, el econometrista debe incluir informacin exgena al sistema en el momento de
identificar la conexin entre forma primitiva y forma reducida.
3.03
(3.8)
El folklore de los modelos de ecuaciones simultneas tradicionales seala que (1) pt y qt son
variables endgenas, (2) yt es una variable exgena, y (3) que las ecuaciones reflejan la estructura de la
economa, en particular su dinmica. De la ecuacin (3.8) es posible obtener la siguiente forma
reducida por reemplazo:
d
1 2 y t t t
qt =
1 1 11
2 y t
1 dt 1 st
pt =
11
1 1
(3.9)
4 Ver Blanchard y Quah (1990) o Soto (1991). En estos trabajos para identificar la forma primitiva del modelo se
impone la restriccin que variaciones de demanda agregada tengan solo efectos transitorios sobre el desempleo y la
inflacin, respectivamente.
3.5
la que puede ser estimada usando, p.e., mnimos cuadrados. Ello permite recuperar la ecuacin de
oferta en (3.8) que est exactamente identificada pero no se podra parametrizar la funcin de
demanda porque est subidentificada.
Las diferencias de enfoque entre la metodologa de series de tiempo multivariadas y las
ecuaciones simultneas tradicionales son notorias y muy profundas. En particular,
3.04
9 Simon, H. A. (1957). Models of Man. New York: John Wiley & Sons.
3.6
bien definido si f(.) no describiera la relacin), (2) la asimetra de causalidad est fuera del problema
porque si f(.) es invertible, entonces x podra ser causado por y, (3) la teora f(.) podra estar bien
definida pero ser irrelevante para el fin del anlisis econmico, y (4) una definicin de causalidad a
partir de un modelo puede ser insuficiente para caraterizar todos los canales de causalidad. El punto
central sobre causalidad es que sta es una propiedad de la realidad y no de un modelo terico o
estadstico.
Por ello, los economistas tendemos a usar una definicin de causalidad basada en los datos y
no en teoras. Como las relaciones econmicas no son leyes, la formulacin es estocstica, lo que
nos lleva al anlisis de tests de causalidad y, ms adelante, a la idea de evaluar causalidad en trminos
de los cambios en la distribucin conjunta de las variables.
A continuacin estudiamos los tests ms comunes de causalidad por dos razones. Primero,
porque ellos son tiles para determinar una forma particular de causalidad en economa. Segundo,
porque existe la tentacin de identificar los modelos VAR (y a veces los modelos estructurales) sobre
la base de la causalidad en el tiempo, lo que es incorrecto. Para entender esto estudiaremos primero
algunas definiciones de causalidad y luego su relacin con el problema de identificacin.
Causalidad de Granger (1969)10
El concepto de causalidad ms ampliamente usado en series de tiempo es el desarrollado por
Granger (1969). Analticamente:
Si L 0 en y t = L y t 1 L z t 1 t
z t causaala Granger a y t
(3.10)
es decir, zt causa-a-la-Granger a yt si sta contiene informacin util para predecir yt que no est
contenida en la historia de yt.
Es importante hacer varias observaciones con respecto a este test:
10 Granger, C.W.J. (1969), "Investigating Causal Relations by Econometric Methods and Cross-Spectral Methods,"
Econometrica, 34, 424-438. Como Granger se bas en trabajos previos de N. Wiener (The Theory of Prediction, en
E.F. Breckenbrack, The Theory of Production, McGraw-Hill, NY, 1956), a veces se le llama causalidad de WienerGranger.
11 Una discusin profunda sobre el problema de hacer equivalente causalidad y precedencia temporal se encuentra en J.
Geweke (1984), Inference and Causality in Economic Time Series Models, Handbook of Econometrics, vol. II, pp.
1101-1144
3.7
nula: (L)=0. Dado que existe la posibilidad que haya correlacin espurea, el test se hace
sobre la hiptesis nula zt no causa a la Granger a yt.
Tercero, es posible que zt cause-a-la-Granger a yt y simultneamente que yt cause-a-laGranger a zt. Ello puede suceder tanto porque las varables efectivamente son simultneas
por ejemplo cuando ambas son generadas por una tercera variable, wt como cuando son
observacionalmente simultneas por problemas de medicin (p.e., hay causalidad mensual
pero los datos observados trimestralmente).
Cuarto, un VAR es el entorno ptimo para testear causalidad a la Granger. Esto se deduce al
comparar el test de causalidad de la ecuacin (3.10) con la especificacin del VAR de forma
reducida de la ecuacin (3.5).
Otra manera de pensar el mismo test es en trminos del error cuadrtico medio: zt no causaa-la-Granger a yt si
ECM [ y tf | y t1 , ...]=ECM [ y tf | y t 1 , ... , z t 1 ,...]
(3.11)
Box 1
Interpretacin de la Causalidad de Granger12
Hay que tener cuidado con la interpretacin del test de causalidad de Granger con variables forwardlooking. De acuerdo a Fama (1970) el precio de las acciones refleja el valor presente de los dividendos
i =1
[ ]
1
1r
d t i .
Et d t j =d t si j =1
.
=d si j 1
Entonces el precio pt es p = d t , es decir es ruido blanco. Por lo tanto debe concluirse que
t
1r
Ms an se obtiene fcilmente que dado que dt depende de pt-1 hay causalidad a-la-Granger de
precios a dividendos.
12 Se debe ser siempre cuidadoso con la intepretacin de la causalidad: El matrimonio es la causa nmero uno de divorcios.
Estadsticamente, el 100 por ciento de los divorcios comenz con un matrimonio.
3.8
Causalidad de Sims (1972)13
Sims (1972) plantea que el test de causalidad debiese ser hacia el futuro (forward looking), no
hacia el pasado. Por ello,
si L 0 en
i=0
i=1
y t =c i z t i i z t i t
(3.12)
z t causa alaSims a y t
L 0 en
i =1
i =0
i =1
y t =c i y t i i z t i i z ti t
(3.13)
As, la causalidad determinada usando tests de Granger, Sims o Geweke et al. nos informa
sobre cmo se afecta una variable en el instante t frente a innovaciones en otras variables en t-i o en
t+i, pero no nos dice cmo se afecta sta frente a innovaciones contemporneas. Por ello, estos tests
no pueden ser usados para identificar un modelo, ya que la identificacin requiere conocer la
correlacin contempornea de shocks.
El siguiente cuadro presenta los resultados de tests de causalidad aplicados a datos
trimestrales de dinero y producto de la economa chilena en el periodo 1977-2002.15 Los tests usan 6
rezagos (ms adelante volveremos sobre el tema de rezagos ptimos).
Cuadro 3.1
Tests de Causalidad entre Dinero y Producto
Granger
Sims
Geweke et al.
5.06
4.29
2.77
3.11
2.46
1.88
13 Sims, C. (1972). "Money, Income and Causality," American Economic Review, 62:540-552.
14 Geweke, J., Meese, R., and Dent, W. (1983), "Comparing Alternative Tests of Causality in Temporal Systems:
Analytic Results and Experimental Evidence," Journal of Econometrics, 21, 161-194.
15 En el Apndice A se encuentra el cdigo Gauss usado para computar estos resultados.
3.9
3.05
Al igual que en los modelos AR(p), vamos a formar la densidad condicional en las primeras p
observaciones del modelo:
y t =c 1 y t 1 2 y t 2... p y t p t
(3.15)
(3.16)
(3.17)
(3.18)
(3.19)
Tn
T
1
1
1
=
log 2 log | | [ y t ' x t ' y t ' x t ]
2
2
2 t =1
(3.20)
Consideremos el ltimo trmino, ya que los otros son constantes. Al igual que en el caso de
los modelos AR(p), maximixar la funcin de verosimilitud equivale a minimizar el tercer trmino, es
decir a minimizar la suma de residuos al cuadrado del sistema de ecuaciones. As, se puede
parametrizar todo el modelo VAR, usando mnimos cuadrados ordinarios ecuacin por ecuacin.
3.10
Qu pasa cuando es deconocido? Podemos obtener un estimador usando la misma
funcin de verosimilitud. Consideremos
T
Tn
T
1
log ,
=
log 2 log | 1 | t ' 1 t
2
2
2 t =1
(3.21)
donde son los residuos muestrales. Podemos derivar la funcin de verosimilitud con respecto a
para encontrar un estimador adecuado:
T
t ' 1 t
log T log | |
=
2
2
1
1
T
T
1
= ' t t ' =0
2
2 t =1
1
t=1
(3.22)
1 t t '
=
T t =1
(3.23)
Tn
T
1
, =
log
(3.24)
p ).
La H0 es que el nmero ptimo de rezagos es p y se computa log (
)
La H1 es que el nmero ptimo de rezagos es p* y se calcula log (
p
*
obviamente,
log
p ]=T [ log |
|log | |
] 2
2 [ log
p
p
n p p
*
(3.25)
3.11
Este test es de uso comn pero no necesariamente es ptimo en trminos de poder.
Alternativas frecuentemente usadas son los tests de contenido informacional como los de Akaike y
Schwartz descrito en el Captulo 2 y aplicados a la matriz de varianza y covarianza de los residuos
del sistema de ecuaciones.
En el ejemplo descrito en la Seccin 3.04 se us, arbitrariamente, seis rezagos. El
procedimiento Optlag del Apndice B aplicado a estos datos seala, sin embargo, que el nmero
ptimo es 7 rezagos.
3.06
Al igual que en el caso de los modelos univariados, existe inters en estudiar las respuestas de
las variables frente a impulsos dados en forma de innovaciones.16 Recordemos que la respuesta a un
impulso queda descrita por la rpresentacin de media mvil de orden infinito del sistema. Tomemos
el modelo de forma reducida (ecuacin 3.5).
[ ][ ][
yt
a
a
a
= 10 11 12
zt
a 11
a 21 a 22
][ ] [ ]
e1
y t 1
t2
z t 1
et
(3.26)
[ ][] [
yt
a
a
= y 11 12
z
zt
i =0 a 21 a 22
][ ]
i
e 1t i
e 2t i
(3.27)
La expresin (3.26) no es til. La interpretacin econmica de las funciones impulsorespuestas descritas en el captulo anterior no puede hacerse usando las perturbaciones de la forma
reducida del modelo sino respecto de las innovaciones de la forma primitiva. Lo que queremos es la
respuesta de yt o zt frente a las innovaciones (y y z) y no a frente a perturbaciones del tipo e1 o e2.
Por ello, tenemos que imponer la condicin de identificacin. As,
[ ][] [
yt
a
a
= y 11 12
z i =0 a 21 a 22
zt
][ ]
y
1
12 t i
21
1
zt i
][
(3.28)
De nuevo vemos que la respuesta dinmica del sistema es su representacin VMA(). Basta
llamar a los trminos a la derecha de (con
z ] ' ).
=[ y ,
16 El impulso que se le da a un sistema dinmico para perturbarlo corresponde a una funcin tipo delta de L.
Kronecker en tiempo discreto o de P. Dirac si se trata de tiempo continuo. Al respecto de la relacin entre modelos y
realidad, Dirac seala This result is too beautiful to be false; it is more important to have beauty in one's equations than to have them
fit experiment. The evolution of the Physicist's Picture of Nature, Scientific American, 208(5), 1963.
3.12
x t = ti
i
(3.29)
i =0
Dado que se cumple absolute summability, las respuestas desaparecen en el largo plazo.
La morfologa de las respuestas no depende del tamao de las innovaciones, pero el nivel s.
Es decir, una innovacin de tamao 1 tiene la misma forma de disipacin que una de tamao
2, pero a un nivel que es del otro.
Podemos dar una innovacin y ver respuesta de todas las variables y/o podemos comparar
las respuestas de cada variable frente a varios shocks.
3.07
(3.30)
[ ][
][ ] [ ]
yt
1 2 1 y t1
1
y t 1 = 1 0 0 y t 2 0 t
0 0 0 t 1
1
t
(3.31)
si ahora definimos
[ ]
yt
x t = y t 1
t
(3.32)
3.13
x t = Ax t 1C t
(3.33)
Cuadro 3.1
Impulso y Respuesta
1
2
3
...
...
xt
AC
AC
...
AjC
T A T A X
donde
X N 0, Q
1
(3.34)
donde Q es el valor esperado de la matriz de momentos de los regresores, i.e., E y t y t ' Como lo
que queremos es la distribucin de la funcin impulso-respuesta que, a su vez, es una funcin f(.) de
los parmetros, usamos el teorema de Slutzky para obtener,
T f A T f A G s , T X
donde G s ,T =
(3.35)
f .
. Entonces
1
T [ f A T f A ] N 0, G s , T Q G s , T '
(3.36)
3.14
3.09
Una de las debilidades de la tcnica de Sims para analizar VARs es la arbitrariedad de los
ordenamientos y la necesidad de presentar muchas alternativas de identificacin si se quiere ser
riguroso. Pesaran y Shin (1998)17 proveen una alternativa a la ortogonalizacin de innovaciones para
calcular la funcin de impulso-respuesta que no depende del ordenamiento de las innovaciones y, en
ese sentido, es una funcin generalizada.
Re-ordenemos lo que hemos aprendido. Supongamos un VAR del tipo:
p
x t = i x t i e t
t =1,T
(3.37)
i =0
E[e t ]=0
E[e t ,e t ' ]=
Supuesto 2:
Las races caractersticas de | I n i i |=0 caen fuera del crculo
unitario. Es decir las variables son estacionarias.
La representacin media mvil de (3.37) es:
x t = A e t i
i
t =1, T
i =0
(3.38)
(3.39)
(3.40)
3.15
Como hemos discutido, Sims (1980) sugiere utilizar la descomposicin de Cholesky, es decir,
escoger una matriz triangular tal que:
(3.41)
PP ' =
x t = A i P P 1 e t i
i =0
t =1, T
A P ti
(3.42)
i =0
(3.43)
donde I(j) es un vector indicador que selecciona la ecuacin j del sistema (1 en j, 0 en cualquier
otro lugar).
Una propuesta diferente sera usar (3.40) pero, en vez de darle un innovacin a todos los
componentes de et, darle una innovacin slo a un elemento y desconectarle del efecto de las otras
innovaciones observadas o simuladas sobre la base de alguna distribucin. Es decir,
GI x n , , I t 1=E x t n |e t = j , I t 1 E x t n ,I t 1
(3.44)
Koop et al. (1996)18 demuestran que, si las innovaciones se distribuyen normal, entonces:
1
Ee t |e jt = j = 1j , 2j , ... , nj ' 1
jj j = e j jj j
(3.45)
A e j
jj
j
jj
(3.46)
3.16
gj = jj A I j
(3.47)
funciones
impulso-respuesta
generalizadas
no
lo
estn,
comparabilidad.
3.10
j =1
g
ij
oij =1 , las
j =1
1 ,
perdiendo
x t Et x t = i t i
(3.48)
i=0
(3.50)
Tomemos ahora la varianza de este error de prediccin sin olvidar que las innovaciones son
no correlacionadas
2y = 2y [ 11 02 11 12...11 12 ] z2 [ 12 02 12 12... 12 12 ]
2z = 2y [ 21 02 21 12 ... 21 12] 2z [ 22 02 22 12... 22 12 ]
(3.51)
3.17
Una consecuencia de lo anterior es que, si la mayor parte de la incertidumbre de la
prediccin de xt proviene de innovaciones propias, entonces la variable ser ms bien exgena.
El anlisis que utilizamos para la funcin de impulso-respuesta generalizada en la seccin
anterior es perfectamente vlido en este contexto. Las funciones jo y jg pueden ser utilizadas
tambin para obtener las funciones de descomposicin de la varianza del error de pronstico ():
oij =
e i ' A i Pe j 2
i =0
ei ' A A ' e j
i=0
3.11
ijg =
i
2
1
jj e i ' A e j
i =0
(3.52)
i
ei ' A A ' e j
i=0
VAR ESTRUCTURALES
(3.53)
Como las matrices de (3.53) son simtricas el supuesto de ortonormalidad provee k(k+1)/2
restricciones sobre los 2k2 elementos de A y B. Se requiere proveer 2k2 k(k+1)/2 restricciones
adicionales.
La especificacin de las restricciones de identificacin es frecuentemente de dos tipos: corto
plazo y largo plazo. Para aquellas de corto plazo, usualmente basta con poner ceros.
Ms generalmente, se pueden imponer restricciones del tipo:
1=c 1e 1
2=c 2e1 c 3e 2
(3.54)
3.18
plazo de la funcin impulso-respuesta. La respuesta de largo plazo (acumulada) de las innovaciones
primitivas es:
C = A1 B
(3.55)
1
donde = I A 1 A 2 ... A p es decir la respuesta acumulada estimada de la forma reducida.
La restriccin de largo plazo afecta los elementos de la matriz C por ejemplo, Cij=0 lo que
permite la identificacin. La restriccin anterior dice que la respuesta acumulada de la i-sima
variable a la innovacin estructural j-simo es cero.
3.12
Las matrices A y B deben ser cuadradas y no-singulares, i.e., debe haber tantas ecuaciones
como variables endgenas.
Las restricciones deben ser lineales.
La restriccin que las innovaciones tengan varianza unitaria es innecesaria, pero ellas deben
ser no correlacionadas entre ecuaciones y en el tiempo.
Es posible que las restricciones no provean signo para un coeficiente (ej, a 11=b 23 ). Ver
Christiano, Eichenbaum, and Evans (1998)20 para una descripcin de este problema.
A diferencia de un VAR estndar, se puede testear el modelo por el mtodo de overidentifying restrictions. Es frecuente que una teora provea muchas restricciones para los
parmetros o entre ecuaciones. De hecho, podran sobre-identificar. Ello permite testear el
modelo con restricciones y sin restricciones usando un test 2.
CUASI VARS
Como es obvio, los modelos VAR son intensivos en parmetros. En ocasiones ello no es
problema, pero en muestra pequea puede ser costoso. Una extensin de los modeos VARs son los
cuasi-VAR, que pueden ser vistos como un hbrido entre un modelo VAR puro y un modelo EST.
Es decir, aquellos VARs donde algunas variables son consideradas exgenas ex-ante pero su
dinmica y efecto sobre las variables endgenas es determinado al interior del modelo. Es decir,
excluimos del VAR la ecuacin para la variable considerada exgena y la incluimos como una
variable determinstica.
][ ] [ ] [
e1
yt
a
a L a 12 L y t 1
h L h 12 L m t 1
= 10 11
t2 11
zt
a 20
a 21 L a 22 L z t 1
h 21 L h 22 L s t 1
et
[][ ][
][ ]
(3.56)
3.19
APNDICE A:
1
2
m
m1 y t m2 y t ... mm y t m1 x 1t m1 x 2t ...mk x kt =mt
(A.1)
donde las variables y son llamadas tradicionalmente endgenas y las variables x exgenas. Note
que hay m variables endgenas y k exgenas. Adems hay m ecuaciones, x1 es una columna de unos
(constante) y son innovaciones.
Podemos escribir el modelo de manera ms simple usando matrices, de modo que :
[ ] [ ]
11
[ y 1t y 2t ... y mt ] 21
m1
1m
2m [ x 1 x 2 ... x k ]
t
t
t
mm
11
21
k1
1k
2k =[1 2 ... k ]
t t
t
kk
(A.2)
De manera ms compacta:
y t ' x t ' B=t '
A.1
(A.3)
El problema de identificacin
Demanda q d =1 p t 2 y t t
s
Oferta
q s =1 p t t
Equilibrio
q s =q d
(A.4)
3.20
Resulta evidente que p y q son endgenos, y es exgeno y las dos ecuaciones no son
independientes. Podemos resolver el sistema de dos incgnitas y dos ecuaciones:
1 2 y t dt st
qt =
1 1 11
2 y t 1 dt 1 st
pt =
1 1
11
(A.5)
d
t
. Naturalmente, debemos
11
restringir 1 1 pero ese no es el problema ms grave. Si quisieramos estimar la ecuacin de
demanda directamente, el estimador 1 sera sesgado. Este es el llamado sesgo de simultaneidad:
cada vez que hay variables endgenas en el lado derecho de la ecuacin, los parmetros estn
sesgados. La ecuacin (A.4) es mal llamada la representacin estructural.
Reescribamos la ecuacin (A.5) de modo que conforme la llamada forma reducida
q t =1 y t 1t
p t =2 y t 2t
(A.6)
la que s puede ser estimada directamente porque no hay covarianza entre los regresores y los
residuos 1 o 2.
Una vez obtenidos los estimadores 1 y 2 notemos que:
1 =
2
11
2=
1 2
11
(A.7)
2
por lo tanto, podemos obtener el estimador 1=
y, naturalmente, la ecuacin de oferta. Sin
1
embargo no podemos obtener la ecuacin de demanda de la misma forma. En la jerga de ecuaciones
simultneas se dice que esta ecuacin de demanda est sub-identificada, en tanto que la ecuacin de
oferta est identificada.
Si volvemos al modelo general de la ecuacin (A.2), su forma reducida ser del tipo:
[ ]
11
y 1t y 2t ,... , y mt ]=[ x 1t x 2t ... x kt ] 21
k1
1k
2k 1 2 ... m
[ t t t]
kk
(A.8)
3.21
Frente al modelo general cabe preguntarse cmo podemos saber cundo una ecuacin est
identificada de modo que podamos estimar los parmetros de la forma reducida y obtener los
parmetros de la forma estructural.
Para ello, estudiemos la ecuacin (A.2)
en la matriz hay m2 parmetros desconocidos (podemos hacer que los parmetros del tipo
ii sean 1, por lo que hay m2-m incgnitas).
en la matriz B hay mk parmetros desconocidos
en la matriz de varianzas y covarianzas de los errores hay m(m-1) incgnitas (las
covarianzas) porque la matriz es simtrica.
Por lo tanto, no es posible resolver el sistema de ecuaciones porque hay ms incgnitas que
parmetros estimados. Es por ello, que los modelos de ecuaciones simultneas deben imponer
restricciones de identificacin, las que toman diferentes formas:
3.22
Cuadro Apndice 1
Incluidas en la
ecuacin
yj
yj*
Endgenas
Exgenas
Excluidas de la
ecuacin
xj
xj*
(A9)
j j j
j
*j *j *j
(A10)
(A11)
Kj* = Mj
Kj* Mj
Kj* < Mj
3.23
A.2
Antes de revisar los mtodos de estimacin es conveniente notar que slo se necesita
identificar si es que se va a hacer algun test sobre los parmetros estructurales. Si se desea predecir
exclusivamente, basta con estimar la ecuacin reducida (3.66).
Vamos a separar los mtodos de estimacin en dos familias: (1) estimacin ecuacin por
ecuacin y (2) estimacin del sistema completo. Tambin vamos a separar por tcnica de estimacin:
(1) mnimos cuadrados y (2) mxima verosimilitud. Es decir, hay cuatro casos para estudiar:
Cuadro Apndice 2
Mtodo de estimacin
Tcnica de estimacin
Mnimos cuadrados
Mxima verosimilitud
Sistema completo
y mt =m x 1t m1 y 1t m2 y 2t ...ml y mt tm
(A12)
Note que este modelo se puede estimar de la siguiente manera: (1) estime la primera
ecuacin por OLS (no hay problema por que no hay sesgo de simultaneidad), (2) prediga yt1 usando
la ecuacin anterior y reemplaze y 1t por yt1 en la segunda ecuacin, (3) estime la segunda ecuacin,
(4) prediga y 2t usando la ecuacin anterior, etc.
Un segundo caso sucede cuando es lcito usar mnimos cuadrados indirectos de modo
similar al usado en el ejemplo de oferta y demanda. Si en la condicin de identificacin ecuacin
(A.11) el rango de la matriz Kj* es igual al rango de la matriz Mj entonces
j j j = 0 j = j j
*
*1
(A13)
3.24
En el caso en que el rango de la matriz Kj* es mayor que el rango de la matriz Mj la pregunta
ms interesante es cmo usar este exceso de informacin de manera creativa? Obviamente
podramos botar alguna columna, pero eso raramente es ptimo. Una alternativa interesante es
utilizar lo que aprendimos en los mtodos de variables instrumentales.
En primer lugar, note que si la ecuacin est exactamente identificada entonces hay una
variable exgena excluida por cada endgena incluida, es decir un instrumento por cada variable de
lado dercho que tiene covarianza con el residuo. En segundo lugar, si rango de la matriz Kj* es mayor
que el rango de la matriz Mj habr ms instrumentos de lo estrictamente necesario. Pero este
problema ya sabemos enfrentarlo usando un estimador en dos etapas: (1) buscamos la combinacin
lineal de Xj* que mejor represente (prediga) Yj usando mnimos cuadrados, y (2) estimamos la j-sima
ecuacin usando la prediccin hecha en la primera etapa. Este es el llamado estimador de mnimos
cuadrados en dos etapas (2SLS).
Caso B: Tcnica de mxima verosimilitud
Una alternativa es hacer la estimacin por mxima verosimilitud que, a diferencia de 2SLS,
es asintticamente normal independientemente de la distribucin de los residuos. En principio, la
funcin de verosimilitud de la j-sima ecuacin es:
n
n
1
max =
[m j 1 log 2 log | j |] [ y j x ' j j ]1
j [ y j x ' j j ]'
2
2 i=1
(A14)
sujeto a
j j j = j
*j *j j =0
(A15)
Existe un algoritmo que soluciona este problema de maximizacin y que es ms simple que
tratar de estimar los parmetros directamente usando la funcin de verosimilitud.
Sea W 0j =E0 ' j E0j donde E0j =M j Y 0j =[ I X j X j ' X j 1 X j ' ] Y 0j . Es decir Ej0 son los
residuos de una regresin de Yj0 en Xj.
Definimos, adems, W 1j =E1j ' E 1j donde E1j =[ I X X ' X 1 X ' ] Y 0j . Es decir, los
residuos de una regresin de Yj0 en X.
[ ]
0
Computamos =W 1j 1 W 0j , la raz caracterstica ms pequea. Sea W j =
W 1j =
w 1jj w ' 1j
.
w 1j W ' 1jj
w 0jj w ' 0j
w 0j W ' 0jj
LIML
=[ W jj W
0
LIML
1 1
jj
0
1
w j w j y
3.25
Mtodos de Estimacin del Sistema Completo
La principal diferencia entre la estimacin de un modelos como sistema en vez de ecuacin
por ecuacin es aprovechar la informacin que pueda haber sobre la correlacin de residuos de
modo de hacer ms eficiente la estimacin. Es decir, los mtodos uniecuacionales dan cuenta del
problema de inconsistencia, en tanto que los mtodos de sistema dan cuanta, adems, del problema
de eficiencia. Es decir, estos ltimos hacen una correccin tipo mnimos cuadrados generalizados
junto con variables instrumentales.
Caso C: Tcnica de mnimos cuadrados
Este mtodo, llamado mnimos cuadrados en tres etapas, consiste en:
1.
2.
3.
4.
T
[ M log 2 log | |tr 1 N ]
2
sujeto a
=B 1
=1 ' 1
donde los elementos de son ij =
(A16)
y i x i i ' y j x j j
.
T
3.26
Comparacin de Mtodos
(A17)
Multiplicador Impacto.
El efecto instantneo de la variables xk en la ecuacin m-sima es simplemente:
y mt '
x kt
= km
(A18)
k
t s
= s km
(A19)
3.27
Simulacin Dinmica vs. Esttica
Note que cuando se simula el modelo y t '=x t ' y t 1 ' t ' dentro de la muestra hay
dos maneras de tratar el valor de los rezagos de las variables endgenas: el predicho por el modelo
(simulacin dinmica) o el efectivamente observado (simulacin esttica).
3.28
APNDICE B:
EJERCICIOS
1.
A qu se refieren los econometristas cuando sealan que la descomposicin de Cholesky es
una forma de identificacin de mnima restriccin en un modelo? Use como ejemplo del rol que
juega una restriccin de identificacin en el siguiente modelo propuesto por Sims. En particular
responda, cuntas incognitas hay en la forma estructural? Cuantos parmetros se obtienen de la
forma reducida? Cuantas restricciones se necesitan? Cules restricciones impone la tcnica de
Cholesky?
m t =b 11 y t b 12 i t a 11 L m t 1a 12 L y t1 a 13 L i t 1 mt
y
y t =b 21 m t b 22 i t a 21 L m t 1a 22 L y t 1a 23 L i t 1t
i t =b 31 m t b32 y t a 31 L m t 1 a 32 L y t 1a 33 L i t1 i2.
t
2.
Suponga que Ud. desea obtener la funcin impulso-respuesta del siguiente modelo:
y t =0.7y t 10.2y t 2t con t N 0, . Utilice la tcnica de la representacin espacio-estado
(es decir, convierta el modelo en un modelo tipo AR(1)) y obtenga la la funcin impulso-respuesta
generalizada.
3.
Considere el siguiente modelo VAR. Le proponen el siguiente algoritmo para testear la
causalidad entre y y z: (1) estimar cada modelo por OLS y (2) testear si ij es cero. Seale, al menos,
tres limitaciones que invalidan el algoritmo.
y t =b10 b 12 z t 11 y t 1 12 z t 1 t y
z t =b20 b 21 y t 21 y t 1 22 z t 1zt
4.
Describa de manera precisa cmo se deriva la varianza del error de prediccin un paso
adelante de un VAR(p) bivariado. Cules son sus componentes? Cmo se interpretan?
3.29
Contenidos
Captulo 3...............................................................................................................................................................1
Modelos de Series de Tiempo ...........................................................................................................................1
Estacionarias Multivariados................................................................................................................................1
3.01 Vectores Autoregresivos............................................................................................................................1
3.02 El Problema de Identificacin..................................................................................................................2
3.03 Ecuaciones Simultneas Tradicionales vs. VARs..................................................................................4
3.04 Causalidad en Series de Tiempo...............................................................................................................5
3.05 Estimacin de un VAR(p) por Mxima Verosimilitud........................................................................ 9
3.06 Funciones Impulso-Respuesta del VAR...............................................................................................11
3.07 Funciones Impulso-Respuesta usando Tcnica Espacio-Estado.....................................................12
3.08 Errores Estndares de la Funcin Impulso-Respuesta.......................................................................13
3.09 Funciones Impulso-Respuesta Generalizadas......................................................................................14
3.10 Descomposicion de la Varianza del Error de Pronstico.................................................................16
3.11 VAR Estructurales.....................................................................................................................................17
3.12 Cuasi VARs................................................................................................................................................18
Apndice A: Modelos de Ecuaciones Simultneas Tradicionales .............................................................20
Apndice B: Ejercicios.......................................................................................................................................28
Ultima correccin:
24/03/08