LECCIN 1.

MODELOS DE REGRESIN LINEAL DINMICOS

1. Introduccin a la dinamicidad. Anlisis de los multiplicadores y retardos

2. Hiptesis econmicas en la modelizacin dinmica: ajuste parcial y
expectativas adaptables
3. Especificacin

de

modelos

con

variables

retardadas:

modelos

autorregresivos y de retardos distribudos (AD).

4. El mecanismo de correccin del error y el equilibrio a largo plazo
5. Estimacin de modelos con perturbacin rudo blanco: MCO
6. Estimacin de modelos con perturbacin autocorrelacionada: Variables
Instrumentales y Mnimos Cuadrados en Dos Etapas
7. Contrastes de exogeneidad y validez de instrumentos. Contrastes de
causalidad
8. Prediccin esttica y dinmica. Prediccin a uno y a varios perodos
hacia adelante
9. Casos de aplicacin
Bibliografa: Johnston (1987, pgs.415-450), Otero (1993, cap.1, 4 y 5, pgs.1236-154),
Stewart y Wallis (1984, pgs.40-49), Berndt (1991, cap.6), Uriel y Gea (1995, casos 7.2 y
7.3, pgs.274-282); Greene(1998), cap. 17; Cuthbertson (1992, cap.4), Gujarati (1990,
p.484-485), Otero (1993, p.303-317, cap.11,12), Pulido (1989, p.235-237), Raymond y
Uriel (1987, cap.5, p.104-120, cap.6).

SERIE TEMPORAL

Observaciones

de

una

variable

intervalos

igualmente espaciados
Peculiaridades:
a)Datos flujo o stock
b)Concepto de autocorrelacin. Posibilidad de
predecir el comportamiento futuro a partir de la
propia historia
c)Hay que homogeneizar previamente la serie,
por problemas de calendario
Deflactar
Por

cambio

de

criterios

contables

(metodologa): enlace de series

d)Agregacin temporal y finalidad del modelo (ej.
Cotizaciones bolsa)

e)La amplitud, longitud o tamao de la serie no

recoge exactamente la cantidad de informacin
que tiene. Esta depende de la autocorrelacin

DOS ENFOQUES DE SERIES TEMPORALES

- Determinista
- Estocstico

OBJETIVOS
Anlisis univariante:
- Descripcin
- Prediccin
Anlisis multivariante:
- Explicacin
- Control de un sistema
CLASIFICACIN DE LOS MTODOS DE PREVISIN
(Uriel y Peir)

MODELOS CAUSALES

Yt= f(Yt-1, Yt-2, ...: t;

Su propia historia

tiempo

S t;
estacionalidad

histrico

Xt, Xt-1)
valor actual y pasados
de X [CAUSA]

MODELO UNIVARIANTE

Las predicciopnes de Y, condicionadas a X

Cmo predecir X:
- Mtodos autoproyectivos
- En modelos de simulacin, X incluye las variables de
control (instrumentos): su valor se fija
RETARDOS EN EL COMPORTAMIENTO ECONMICO
Retardo = dilacin temporal entre causa y efecto
Ejemplo:

Yt j x t j u t
j 0

Trayectoria temporal: evolucin de Y a lo largo del tiempo

como reaccin a un cambio de X (causa).
Ejemplos (ver grficas)

MODELOS ESTTICOS Y MODELOS DINMICOS. CONCEPTOS

Modelo dinmico: el tiempo juega en l un papel esencial
Ejemplo:
Es un modelo dinmico, porque el efecto de una variable
(publicidad) sobre la endgena (ventas) tiene lugar a lo largo de
varios perodos
Modelo esttico: fijadas las condiciones exgenas actuales o
correintes (Renta) se conoce el valor de la endgenea actual
Ejemplos: Esttico o dinmico?
Modelo dinmico:
Trayectoria temporal: partiendo de una situacin incial de
desequilibrio, la trayectoria temporal es la sucesin de valores de la
endgena (reaccin)
Para un nivel de renta en el momento t fijo, la solucin de (3) no es
un valor, sino una sucesin de valores del consumo en el tiempo. Si
se dan ciertas condiciones de estabilidad, esta sucesin tiene un
lmite, que es el valor de equilibrio a largo plazo C*.

MODELOS ESTTICOS Y MODELOS DINMICOS. CONCEPTOS

(2)

Solucin de equilibrio a largo plazo: aquella en la que C no cambia:

Observa que (4) es compatible con mltiples trayectorias
temporales
Esttica comparativa: Relacin entre valores de equilibrio
(comparar los valores de C* que corresponden a distintos Renta*)
Derivada a largo plazo: reaccin total de C ante un cambio unitario
en Renta:
Derivada a corto plazo: reaccin instantnea de C a un cambio
ocurrido en Renta en el mismo periodo:
Haz ahora los ejercicios 1 y 2 de la hoja 1

RAZONES DE LA DINAMICIDAD DE LOS

MODELOS
a) Psicolgicas
- Hbitos de comportamiento
- Incertidumbre y formacin de
expectativas futuras
b) Tecnolgicas (periodo de vida de bienes
duraderos)
c) Institucionales
-

Falta de transparencia de ciertos

mercados

Retrasos en las tomas de decisin de las

instituciones o empresas y
secuenciacin

Ejemplo: el modelo de Kein-Goldberger de la

economa americana
Multiplicadores de impacto
Exgenas
Renta
Empleo (Y2)
Gastos del

nacional (Y1)
1.39
0.61

gobierno (X1)
Salarios
1.78

0.34

gobierno (X2)
Impuestos
-0.76

-0.34

directos
sobre salarios
(X3)
Impuestos

-0.15

-0.07

sobre
sociedades
(X4)
Ejemplo: el modelo de Kein-Goldberger de
la economa americana (2)

Multiplicadores intermedios: respuesta a un aumento

unitario sostenido del gasto del bobierno en el ao 0

AO

Renta

Empleo (Y2)

(retardo)
0
1
2
3
4
5
6
7

nacional (Y1)
1.39
2.81
3.88
4.57
4.89
4.92
4.75

0.61
1.21
1.63
1.84
1.90
1.84
1.69

Ejercicio (1). Para el modelo

Yt=+0Xt+1Xt-1+12Xt-2+13Xt-3+.....+ut
0<1<1

(distribucin geomtrica de retardos).

a) Dibujar el perfil temporal

b) Calcular los multiplicadores de impacto y total (interpretar)
c) Calcular el retardo medio y el retardo mediano si 0=10; 1=0.8;
=100.
Solucin:

Ejercicio (2): Hacer el perfil temporal de:

Yt=Yt-1+0Xt+1Xt-1+ut
Solucin:

LECCIN 1. 2. HIPTESIS DE COMPORTAMIENTO

ECONMICO QUE GENERAN RETARDOS DISTRIBUIDOS

1 HIPTESIS DE AJUSTE PARCIAL

2 HIPTESIS DE EXPECTATIVAS ADAPTABLE
3 HIPTESIS DE EXPECTATIVAS RACIONALES
4 MODELOS DE AJUSTE DE ESTADO
OTERO 1993 PP. 136-149

1. HIPTESIS DE AJUSTE PARCIAL

Yt*= Nivel deseado de la variable (endgena) en el periodo t
Yt= Nivel alcanzado (valor) de la variable en el periodo t
Hiptesis de
Ajuste

Yt-Yt-1=

(1-) (Yt*-Yt-1)

Parcial:

cambio

cambio

alcanzado

deseado

( (0,1))

[1]

"El cambio en la variable Y durante el perodo t es una proporcin del

cambio deseado"
Casos extremos:

=0

Ajuste instantneo

=1

No ajuste ('inmovilismo')

Casos intermedios:

0 : Ajuste 'rpido'
1: Ajuste 'lento'

De [1]:
Yt= (1-)Yt*+ Yt-1

[2]

El modelo ha de contener tambin una ecuacin que explique cmo se

establecen los niveles deseados:
Ej: Yt*= 0+1Xt (con Xt: exgena)
A partir de [2] y [3] obtenemos la especificacin de un modelo
uniecuacional dinmico.
[2]

Yt= (1-) Yt*+Yt-1

[3]

[3]

Yt*=0+1Xt

Yt= (1-) (0+1Xt)+Yt-1

= (1-)0+(1-)1Xt+Yt-1

[4]

[4] puede escribirse para cualquier t=1,2,...

concretamente, para el perodo t-1:
Yt-1= (1-) 0+(1-) 1Xt-1+Yt-2

[5]

Sustituyendo [5] en [4]:

Yt=(1-)0+(1-)1Xt+(1-)0+(1-)1Xt-1+2Yt-2
=(1-)0+(1-)0+(1-)1Xt+(1-)1Xt-1+2Yt-2
Sustituyendo sucesivamente Yt-2, Yt-3,... tenemos:
Yt=(1-)0+(1-)0+2(1-)0+3(1-)0+.....
+(1-)1[Xt+Xt-1+2Xt-2+3 Xt-3+.....]

i
Yt= 0+(1-)1 X t i

[6]

i 0

Con 0= (1-)0 (1++2+...) = (1-)0

1
1

ESTA FORMA CORRESPONDE A UN MODELO (DINMICO) DE

RETARDOS DISTRIBUIDOS GEOMTRICAMENTE
(Koyck, 1954)
La hiptesis de ajuste parcial lleva implcita una
distribucin geomtrica de los coeficientes en
este caso

INCISO: EL MODELO DE KOYCK DE RETARDOS DISTRIBUIDOS

GEOMTRICAMENTE:
Yt=+0Xt+1Xt-1+2Xt-2+....

[7]

Hiptesis: los coeficientes de X decrecen en progresin geomtrica de

razn :
(

<1)

i= i

[8]

Bajo la hiptesis [8], podemos escribir el modelo [7]:

Yt=+Xt+Xt-1+2Xt-2+......

[9]

Operamos en [9], haciendo la transformacin de Koyck

= multiplicar x , retardar:
Yt-1=+Xt-1+2Xt-2+3Xt-3+...

[10]

Restamos [9]-[10]:
Yt-Yt-1=(1-)+Xt

[11]

Yt= (1-)+Xt+Yt-1

[12]

Las especificaciones [9] y [12] son equivalentes.

2.HIPTESIS DE EXPECTATIVAS ADAPTABLES

Ej: Nivel de produccin de una empresa (Y) depende del nivel de ventas
esperado (X*):
Yt=0+1 Xt*

expectativa sobre X con la informacin

disponible hasta el momento t

A su vez, las expectativas de ventas Xt* se generan mediante un proceso

de expectativas adaptables:
Xt*-Xt-1*= (1-) (Xt*-Xt-1*) con [0,1]

[14]

Las expectativas se actualizan cada perodo en base al ltimo dato real.

Xt*= (1-)Xt+Xt-1*
= (1-)Xt+(1-)Xt-1+2Xt-2*
= (1-)Xt+(1-)Xt-1+2(1-)Xt-2+.....
= (1-)[Xt+Xt-1++2Xt-2++3Xt-3+....]
= (1-)[1+L+2L2+.....]Xt

Xt*=

1
Xt
1 L

con L operador retardo

[15]

(LXt=Xt-1)

El modelo [13], con la hiptesis [15], queda:

Yt=0+1
Operando en [16]:

1
Xt
1 L

Yt=0(1-)+Yt-1+1(1-)Xt

[16]
[17]

MODELOS CON RIGIDECES E INCERTIDUMBRE

Combinando hiptesis de ajuste parcial y de expectativas adaptables.
1

Yt*=+Xte+ut

[18]

Yt-Yt-1= (Yt*-Yt-1)
Xte-Xt-1e= (Xt-Xt-1e)

0<1
0<1

[19]
[20]

Sustituyendo [18] en [19] y despejando:

Yt=+(1-)Yt-1+Xte+ut

[21]

Reescribimos [20] como en [15]:

Xte= 1 (1 ) L X

[22]

Sustituimos [22] en [21] y operamos:

1

Yt= + Xt+[(1-)+ (1-)] Yt-1- [(1-) (1-)]Yt-2+[ut-[(1-)ut-1]

[23]

y no estn identificados (no se pueden estimar sus valores por

separado) porque aparecen simtricamente

Yt*= +1Xt+2Xte+ut

[24]

Con las hiptesis [19] y [20]

Operando se obtiene:
Yt= +(1+2)Xt-(1-)1Xt-1+[(1-)+ (1-)]Yt-1-(1-)+ (1-)Yt-2
+[ut[(1-)ut-1]
N de parmetros estructurales =5
N de coeficientes a estimar = 5
y no aparecen de forma simtrica
identificacin

No problemas

[25]

HIPTESIS DE EXPECTATIVAS RACIONALES

Los agentes "predicen" las variables exgenas de acuerdo con
modelos de comportamiento basado en la teora econmica
(endogenizan las variables exgenas expectativas).
Ejemplo:

Yt0= 1+1 P t+u1t

[21]

YtD= 2+2Pt+2Xt+ut-2

[22]

YtD=Yt0

[23]

Sistema de ecuaciones de OF/DEM.

Xt=renta=exgena. YtD, Yt0,Pt: ENDGENAS
1+1 P t+u1t=2++2Pt+2Xt+u2t
1 2

Pt=
2

u u2t
1 2
Pt X t 1t
2
2
2

[24]

El precio esperado P t, dada la informacin disponible hasta t-1:

t
P

=E(Pt/It-1)

Tomando esperanzas condicionadas en [24]:

2 1 2 E (u1t / I t 1 ) E ut 2 / I t 1
Pt 1
Pt X t
2
2
2
2

con X t E ( X t / I t 1 )
Si las u1t, u2tno autocorrelacionadas con E=0 y son independientes de I t-1:
t
P

1 2
2

X t
2 1 2 1

Expectativa racional para el precio

[25]

Sustituimos [25] en [21]:

1 2

1 2 X t u1t
Yt0=1+1 2 1 2 1

[26]

HIPTESIS DE EXPECTATIVAS RACIONALES (con.)

Supongamos que las expectativas sobre la variable exgena X t se toman

segn la prediccin que arroja un modelo de series temporales univariante.
Por ejemplo, si Xt presenta oscilaciones sin tendencia, modelo simple de
alisado exponencial:

X t X t 1 (1) 1 X t 1i

[27]

i 0

prediccin de
X hecha en
t-1 a un
perodo

se estima para minimizar el error de prediccin

Sustituimos [27] en [26]:
Yt 0 1 1

1 2

i
1 2 1 X t 1i u1t
2 1 2 1 i 0

[28]

Hemos llegado a un modelo de Koyck!

La estructura de retardos en [28] depende de la estructura de prediccin de
X, por tanto de la trayectoria pasada de X.
Crtica (de Lucas): "Cualquier cambio de polticas alterar
sistemticamente la estructura de los modelos economtrico"

Los parmetros de las ecuaciones de comportamiento estn

influido por los cambios en las variables instrumento (x)
PROBLEMAS EN EL USO DE M.E. PARA SIMULAR

MODELOS DE AJUSTE DE ESTADO

 Para anlisis de la demanda de bienes de consumo y prediccin del gasto

en bienes de consumo
Yt=+St+Xt+ut

[29]

St-St-1=Yt-St-1

[30]

Stock del bien

Parmetros: , , ,

Disponible por

'HBITO' >0 en bienes preferentes

Los consumidores

TASA DE DEPRECIACIN DEL STOCK DE

(NO OBSERVABLE)

CAPITAL

Despejamos St en [30]:
St-St-1+St-1=Yt
[1-(1-)L]St=Yt
St

1
Yt
1 (1 ) L

Sustituimos [31] en [29] y operamos:

Yt

u (1 )ut 1
1
(1 )
Y t X t u t
X t 1 t
[32]
1 (1 ) L
1
1

MODELOS DE AJUSTE DE ESTADO (con.)

En [32] vemos que:

[31]

- No aparece St (no observable)

- [32] es una ecuacin estimable en forma final autorregresiva
- Estimados los parmetros de [32], podemos calcular , , ,
resolviendo el sistema de parmetros : es una ecuacin exactamente
identificada

1
1
2
1

1
1
4
1

Sistemas de parmetros determinados

Conocidos (estimados) en [32] los valores 1,2, 3, 4 podemos obtener los
parmetros estructurales , , y

1.3. ESPECIFICACIN DE MODELOS CON VARIABLES RETARDADAS:

MODELOS AUTORREGRESIVOS Y DE RETARDOS DISTRIBUDOS
EL OPERADOR RETARDO (L)
LX t X t 1
(1 L) X t X t X t 1
(1 L) 2 X t (1 L2 2 L) X t X t X t 2 2 X t 1

EL OPERADOR DIFERENCIA ()
1 L
X t (1 L) X t X t X t 1

POLINOMIO DE RETARDOS

(1 aL bL2 cL3 ) X t X t aX t1 bX t2 cX t3

TIPOS DE MODELOS DINMICOS CAUSALES

RD Modelos de retardos distribudos:

La endgena actual es funcin de los valores actuales y pasados de

las exgenas

AR Modelos de retardos autorregresivos

La endgena actual es funcin de su propio pasado y de los valores

actuales de las X

AD: Modelos autorregresivos distribudos

La endgena actual es funcin de sus propios valores pasados y de

los valores actuales y pasados de las X

TIPOS DE MODELOS DINMICOS CAUSALES: Modelos de retardos

distribudos (RD)

La endgena actual es funcin de los valores actuales y pasados de

las exgenas:
Infinitos retardos:

yt 0 X t 1 X t 1 ... ut ; ut ~ N (0, 2 u )

yt i X t i ut
i 0

Nmero finito de retardos:

TIPOS DE MODELOS DINMICOS CAUSALES: Modelos de retardos

distribudos (RD)

La endgena actual es funcin de los valores actuales y pasados de

las exgenas:
Infinitos retardos
Nmero finito de retardos:

yt 0 X t 1 X t 1 ... s X t s ut ; ut ~ N (0, 2 u )
s

y t i X t i ut
i 0

( 0 1 L 2 L2 ... s Ls ) X t ut
Bs ( L) X t ut

Bs(L) es un polinomio de
retardos distribudos
de orden s

TIPOS DE MODELOS DINMICOS CAUSALES: Modelos de retardos

autorregresivos (AR)

La endgena actual es funcin de sus propios valores actuales y

pasados y de los actuales de las exgenas:

yt 1 yt 1 2 yt 2 ... r yt r ut ; ut ~ N (0, 2 u )
s

yt i X t i u t
i 0

( 0 1 L 2 L2 ... s Ls ) X t ut
Bs ( L) X t ut

Bs(L) es un polinomio de
retardos distribudos
de orden s

Modelos AD (Autorregresivos Distribudos)

Combinan los AR y los AD

Estructura de retardos racionales

Como resultado de una manipulacin algebraica de un modelo AD

Como aproximacin de un modelo de infinitos retardos distribudos

MODELOS DINMICOS AD (de retardos autorregresivos)

Yt=+1yt-1+2yt-2+ ...+ ryt-r+ut;

ut~N

(1-1L-2L2- ...- rLr)Yt=+ut

Ar(L)Yt=+ut
Con Ar(L)=1-1L-2L2 ...- rLr
= polinomio de retardo autorregresivos de orden r
Nota: En equilibrio: Ar(L)=1-1-2 ...- r

MODELOS

AD (r, s)

Autorregresivos

Distribudos

Ar(L)Yt=Bs(L)xt+ut

Yt

Bs ( L )
ut
xt
Ar ( L)
Ar ( L)

Estructura racional de retardos

Bs ( L)
xt v t
Ar ( L)

( L) x t v t , con ( L)

vt est autocorrelacionada
Bs ( L)
Ar ( L)

ESTRUCTURA DE RETARDOS RACIONALES (Jorgenson)

El modelo de retardos distribudos :

Yt j x t j u t

[1]

j 0

Se puede aproximar mediante:

Yt

B( L)
x t ut
A( L)

[2]

con B(L) y A(L) polinomios en L de orden s y r:

B(L)=0+1L+...+sLs
A(L)=1-1L-...-rLr
Sin races comunes
Si ut no es (necesariamente) rudo blanco, este es el modelo de
FUNCIN DE TRANSFERENCIA
Pdemos reescribir [2] as:
A(L)Yt=cte+B(L)xt+ut*
Con ut*=A(L)ut
Este es el modelo AUTORREGRESIVO DISTRIBUIDO AD(r, s)

[3]

La estructura de retardos racionales es muy general. Abarca como casos

particulares a cualquier modelo.
MODELO DE CORRECCIN POR EL ERROR
CASO GENERAL [con una exgena]
Sea el modelo AD(r, s):
Ar(L)Yt=0+Bs(L)xt+ut

con Ar(L)=1-1L-2L2-...-rLr
Bs(L)=0+1L+...+sLs
[Otero, 327-8]
Este modelo puede escribirse como representacin por el error:
r 1
r
s 1
s

B (1)

Yt ( k ) Yt j 0 x t ( k ) x t j A(1) Yt 1 0
x t 1 ut
j 1 k j 1
j 1 k j 1
A(1) A(1)

Multiplicador
Total

MOISSES

Ministerio de Economa
La demanda nacional/35

ESTIMACIN DE LOS

Cuadro 3.1
ESTIMACION DE LA FUNCION DE CONSUMO
Ecuacin

MODELOS DE REGRESIN
UNIECUACIONALES DINMICOS

cp

log CRt
(1-L)logCRt=1(1-L)YDRt+2(1-L)2logWEt+3(1-L2)logITt+4(1-L)Rt+5(1-L2)Ut+T(logGt-1
-0-1logYDRt-1-2logWEt-1)+t
LP

rudo

Definicin de las variables

CR
YDR
WE
IT

R
U

Consumo privado nacional en precios constantes

Renta neta disponible real de las familias
Riqueza real en manos de los consumidores
Impuesto inflacionario
Tipo de inters real ex-post de largo plazo
Tasa de paro

Resultados de la estimacin
Variables de largo plazo
Coeficiente
Estadstico "t"
0.383
3.1
1
0.801
21.6
2
0.131
5.9
Coeficiente
Estadstico "t"
Variables
de corto
plazo
Renta
disponible
real
0.494
7.6
Riqueza real (aceleraci6n)
0.484
4.6
12
Impuesto inflacionario
-0.007
-2.5
3
Tipo inters real
-0.151
5.5
4
Tasa dedeparo
Mtodo
estimacin: Mnimos cuadrados no
etapas con las funciones de inversin-5.9
5 lineales en tres-0.356
Correccin
de
error DW
-0.708
-8.5
= 0.0035
Perodo
R2 = 0.983
de
estimacin:
1966-88
= 2.11 privada.SEE
residencial
e inversin
productiva
Constante
Renta disponible real
Riqueza real

MODELO EN FORMA DE RETARDOS DISTRIBUIDOS

FINITOS

SIN RESTRICCIONES

Drecrecimiento aritmtico

INFINITOS
Estimacin directa
CON RESTRICCIONES
sobre la dist. de retardos

Distr. Rectangular

MODELO EN FORMA FINAL AUTORREGRESIVA

Perturb. Independientes

Modelo de Koyck Modelo de ajuste

de estado

MCO

Perturb. autocorrelacionadas

VI

Funcin polinmica
(Almon)
MC2E

MV

ESTIMACIN DE LOS MODELOS DE REGRESIN UNIECUACIONALES DINMICOS

MODELO EN FORMA DE RETARDOS DISTRIBUDOS

FINITOS INFINITOS
Estimacin directa
SIN RESTRICCIONES
CON RESTRICCIONES
sobre la dist. de retardos
Drecrecimiento aritmtico
(Almon)

Distr. Rectangular

Modelo de Koyck

Funcin polinmica

Modelo de ajuste de estado

ESTIMACIN DE LOS MODELOS DE REGRESIN UNIECUACIONALES DINMICOS

MODELO EN FORMA FINAL AUTORREGRESIVA

Perturb. Independientes

MCO

Perturb. Autocorrelacionadas

VI
MC2E
MV

MODELOS CON VARIABLES RETARDADAS: ESTIMACIN

(1) MODELOS CON NMERO FINITO DE RETARDOS
m

Yt j x t j u t

[1]

j 0

1.a) sin restricciones a priori sobre j

ESTIMACIN:
1.b) con restricciones sobre j

1.a

ESTIMACIN DIRECTA DE [1] SIN RESTRICCIONES A PRIORI

SOBRE j (MCO).

- Multicolinealidad
- Pocos G. L.
Limitaciones y problemas

- No se conoce m a priori. Debe

tantearse con ayuda de los datos,
aadiendo cada vez un retardo ms.

Ventajas.- si a priori no hay informacin sobre la estructura de los retardos es

una especificacin muy flexible.

EJEMPLO 1 (Maddala, 427)

Y= Gastos de capital
X= Apropiaciones
T=60 Datos trimestrales
Suponemos m max=12 (3 aos)
Tomamos muestra 60-12=48 trimestres descartando los 12
primeros
Estimamos
m

Yt j x t j u t
j 0

(t=13,...60) para m=12,11,10,...

1. Comparamos 2 (o R 2 es lo mismo)
Optamos por valor de m que min. 2 o max. R 2
2. Y/o bien hacemos contrastes secuenciales de excusin de variables ...
que puede llevar
a conclusiones
diferentes

EJEMPLO 3
T= 1955-1989
Y= Tasa desempleo
X= Tasa de utilizacin de la capacidad productiva en la industria
Retardo
(m)
8

S.C.Error

G.L.

7.012

25

0.8871

7.138

26

0.88951

0.82 (H0(1): m=7)

7.414

27

0.8886

1.01 (H0(2): m=6)

7.754

28

8.864

29

0.8770

4.01 (H0(4): m=4)

10.033

30

0.8654

3.82 (H0(5): m=3)

12.121

31

0.8427

6.24 (H0(6): m=2)

15.033

32

0.8110

7.45 (H0(7): m=1)

Calcular

Contraste de omisin

R2

1.24 (H0(3): m=5)

y SCT/(T-1)

Decidir m, segn los criterios:

(1) 2 ( R 2 )
(2) Contrastes de omisin secuenciales
(3) Correlograma cruzado ( si las series son estacionarias)
xy (i )

[( x t x )( y t i y )

x y

i 0,1,2,...

y contraste LQ de significacin conjunta de las m primeras correlaciones

cruzadas
H0: xy(1)= xy(2)= ... =xy(m)=0
m

2 xy (i )

LQ=T(T+2)
i 1

T 1

m
2

1.b MODELOS CON NMERO FINITO DE RETARDOS Y RESTRICCIONES

A PRIORI SOBRE LOS PARMETROS.
(1b.1) PARMETROS CON DECRECIMIENTO ARITMTICO (Fisher, 1937)
Ejemplo: dos retardos
Yt=+(3xt+2xt-1+xt-2)+ut
Ejercicio:
Calcula:
- El multiplicador de impacto:
- El multiplicador total:

(1b.2) Parmetros siguiendo una distribucin rectangular ( de Leew, 1962)

Ej: m=2
Yt=+xt+xt-1+xt-2
Yt=+(xt+xt-1+xt-2)
Ejercicio:
Calcula:
- El multiplicador de impacto
- Retardo mediano
- Multiplicador total
- Perfil temporal

1b.3) Modelo con retardos polinomiales de Almon (1965)

Los j se pueden aproximar mediante las ordenadas de una funcin
polinmica de grado bajo:
(v)=0+1v+ ...+ svs

[1]
v=0,1,2,...m

(v)

0=0

1=0+1+...+s

2=0+21+...+2ss

.
.
.

.
.
.

m=0+m1+...+mss

[2]

Ecuacin a estimar:
m

Sustituyendo [2] en Yt=+ j xt j ut

j 0

Yt=+0xt+(0+1+ ...+ s)xt-1+(0+21+ ...+ 2ss)xt-2+ ...+

+(0+m1+ ...+ mss)xt-m+ut

Ecuacin a estimar:
Yt=+0(xt+xt-1+xt-2+ ...+xt-m)+1(xt-1+2xt-2+ ...+mxt-m)+ ...+
+s(xt-1+2sxt-s+

...+msxt-m)+ut

Coeficientes a estimar: , 0, 1, ... s

[3]

(s+1)

En el modelo original haba m+k parmetros.

Con las restricciones [2], se obtiene s+k coeficientes independientes.

FORMA PRCTICA DE ACTUAR

para decidir cules son los

valores adecuados de m y s

s
significativo

m
ESTIMAR
[3]

s NO
significativo
s
(alto)
Comparar resultados (bondad del ajuste, etc.) para diferentes m.

s=s-1

MODELOS CON INFINITOS RETARDOS (DISTRIBUDOS)

1. ESTIMACIN DEL MODELO EN FORMA AUTORREGRESIVA

1.1

Con perturbaciones independientes

1.2

Con perturbaciones autocorrelacionadas

2. ESTIMACIN DIRECTA DEL MODELO DE RETARDOS

DISTRIBUDOS

Cmo estimar el modelo?

j x t j ut
[1] Yt
j 0

qu tiene infinitos coeficientes?

ALTERNATIVAS:
1. Truncar la sucesin de retardos, aproximando [1] por:
m

Yt j xt j ut

[2]

j 0

Estructura temporal

pero, cmo decidir m?

Finita de orden m
2. Suponga que los j siguen una determinada ley de formacin.
j+1=j

Ejemplo

01 (progresin geomtrica decreciente)

Modelo de

En este caso, [1] se convertira en:

Koyck de

Yt=+0xt+0xt-1+02xt-2+ ...+ut

[3]

Yt-1=+0xt-1+20xt-2+20xt-3+ ...+ ut-1

[4]

retardo
geomtrico
... y operando
en [3]:

[3]-[4]: Yt-Yt-1=(1-)+0xt+(ut-ut-1)
Forma autorregresiva

Yt=(1-)+0xt+Yt-1+(ut-ut-1)

O forma final
MA(1)

[5]

1.1 ESTIMACIN DEL MODELO EN FORMA AUTORREGRESIVA

[PERTURBACIONES INDEPENDIENTES]
CASO GENERAL:
Y=x+u
ui~ iid N(0, 2u)
Entre las x est la endgena
retardada (Yt-1, Yt-2, ...)

x contiene variables aleatorias

no fijas en el muestreo

Yt-1 no es independiente de ut-1, ut-2, ....

CONSECUENCIAS PARA ESTIMADORES
MCO:
( x ' x ) 1 x ' Y ( x ' x ) 1 x ' u

E( ) E [( x' x )

x ' u sesgo

MCO: SESGADOS
Pero
plimT plimT ( x ' x ) 1 x ' u
x' x

plim

MCO :

x' u

plim

0
CONSISTENTES

CASO PARTICULAR: KOYCK

y t 0 xt yt 1 ut

ut~ iid N(0, 2u)

con xt=xt- x

(variables

yt=yt- y centradas)
yt-1 es aleatoria.
Depende de las perturbaciones
del pasado (ut-1, ut-2, ...)
aunque no de las del futuro
(ut, ut+1, ...)
Ejercicio: Escribe para este caso la expresin de los estimadores MCO y su
esperanza ....
SE PUEDE DEMOSTRAR QUE EN EL CASO PARTICULAR
Yt=yt-1+ut

ut~ iid (0, 2u)

2
EL SESGO DE MCO ES
T

1.2 ESTIMACIN DEL MODELO EN FORMA AUTORREGRESIVA

[PERTURBACIONES AUTOCORRELACIONADAS]
CASO GENERAL:

Y=x+u
Cov(ut, ut-s0 para algn s0
Entre las x est la endgena
Retardada
Ahora, yt-1no es independiente
De ut-1, ut-2, ... ni de ut

CONSECUENCIA PARA LOS ESTIMADORES MCO

( x ' x ) 1 x ' u

son SESGADOS
e

(mismo argumento demo que en p.)

INCONSISTENTES :

x' x
plimT plim
T

x' u
T

plim

sesgo as int tico

ya no es 0 porque E ( y t 1ut ) 0
ESTIMACIN CONSISTENTE (Caso general)
MTODO DE VARIABLES INSTRUMENTALES

Z= Matriz de "instrumentos" o

(TxH) Variables instrumentales:

H variables que son a la vez:
Independientes (asintticamente)
De la perturbacin
z' u
0
T

plimT

... pero correlacionadas con

las variables explicativas:
z' x
0
T

plimT

(matriz finita)

Estimador de V.I.:
VI ( z ' x ) 1 z ' y ( z ' x ) 1 z ' ( x u )
( z ' x ) 1 z ' u

Es consistente:
plim VI plim( z ' x ) 1 z ' u
z' x

plim

z' u

T

plim

0
[Aunque sesgado en muestras pequeas]
MTODO DE VARIABLES INSTRUMENTALES EN EL CASO PARTICULAR
DEL MODELO DE KOYCK:
QU INSTRUMENTOS ELEGIR:
y t 0 xt yt 1 ut
X xt , y t 1

z x t , x t 1

El instrumento de
Yt-1es xt-1

Ejercicio: Escribir la expresin de 0VI y VI para este modelo. Hacer un

ejemplo en lotus.
Ventajas de 0VI

Consistente

Inconveniente de 0VI

falta de eficiencia (no tiene en cuenta la

autocorrelacin de ut)

Pensar en: ... Cundo se da este caso: Modelo autorregresivo de y t con

perturbaciones autocorrelacionadas

Micro.fit .... VI
Nota:
E-Views .... MC2E (TSLS)
MODELO
y t 0 xt yt 1 ut

Qu forma de autocorrelacin?
[Formas sencillas]
(1) MA(1)

ut= t+t-1
t~ iid (0, 2)
surge cuando al modelo estructural, de retardo geomtrico
infinito, le hemos aplicado la transformacin de Koyck para
convertirlo en [1]
En este caso conviene hacer la estimacin directa del modelo de
retardos distribudos

(pag. sig.)

(2) AR(1)

ut= ut-1+t
t~ iid (0, 2)
En este caso, conviene aplicar MCGF a partir de una estimacin
inicial consistente
(1) Aplicar V.I.
(2) Aplicar Cochrane-orcutt (o similar) a partir de los valores
(estimadores consistentes) de los parmetros obtenidos por V.I.

2. ESTIMACIN DIRECTA DEL MODELO DE RETARDOS DISTRIBUDOS

INFINITOS

Yt 0 i x t i ut ;

01

i 0

con ut ~ iid N(0, u2)

t 1

i 0

i 0

i 0

i xt i i xt i t i x i
Hacemos Z1t=t
t 1

i
Z2t= x t i
i 0

i
0 x i k
i 0

(constante desconocida a estimar)

Modelo estimable:
Yt=+kZ1t+0Z2t+ut
Cmo estimarlo:

Mtodo exploratorio

(a)

Probar con distintos valores de : =0.1; 0.2; ... ;0.9

(b)

Construir para cada las series Z1t, Z2t

(c)

Estimar el modelo por MCO

(d)

Elegir el que minimice la S.C.Errores

CUNDO CONVIENE HACER LA ESTIMACIN DIRECTA?

SI LOS PARMETROS ESTRUCTURALES NO ESTN IDENTIFICADOS

SI LAS PERTURBACIONES SIGUEN UN MA(1) COMO CONSECUENCIA

DE HABER APLICADO LA TRANSFORMACIN DE KOYCK AL MODELO
DE RETARDOS DISTRIBUDOS...

=0.5

EJEMPLO:

t
1

xt
2

Yt
40

Z1t=t
0.5

Z2t
0.5X

58

(0.5)2

0.5X+0.52Xt-1

23

(0.5)3

0.5X+0.52Xt-10.53Xt-2

84

32

50

12

(0.5)7

0.5X+...+0.56Xt-6

Yt=+kZ1t+0Z2t+ut

(a) =0.1 0.2 ...0.9

(b) Construir Z1t, Z2t estimar por MCO
(c) SCERR mnima