Beruflich Dokumente
Kultur Dokumente
Econometría II
Cointegración y
Vectores Autorregresivos
Yt X t t
1200
1100
1000
900
800 Dependent Variable: CONSUMO
700
Variable Coefficient Std. Error t-Statistic Prob.
600
500 C 1.685532 2.761110 0.610455 0.5427
400 RENTA 0.904802 0.003614 250.3693 0.0000
300
1955 1960 1965 1970 1975 1980 1985
R-squared 0.997994 F-statistic 62684.81
CONSUMO RENTA
Durbin-Watson stat 0.749056 Prob(F-statistic) 0.000000
A la regresión tal que la no estacionariedad de las series sesga los resultados para
aceptar una relación aún cuando ésta no exista se conoce como regresión espuria
Es factible que variables económicas no estacionarias tengan una relación de largo
plazo, esto ocurrirá cuando las tendencias estocásticas de las series evolucionan
conjuntamente, en este caso decimos que las series cointegran.
Econometría II Mg. Beatriz Castañeda 2
REGRESIÓN DE COINTEGRACION
Si Yt es I(1) y Xt es I(1)
Yt X t t ; t es I (0)
t Yt X t
et et 1 t
DW 2(1 r )
H 0 : DW 0 1
0 2 4 H 1 : DW 0 1
1
1000
900
800
700
600
500
400
300
1955 1960 1965 1970 1975 1980 1985
CONSUMO RENTA
Dado el modelo
Yt X t t ; t es I (0)
et Yt ˆ ˆ X t MCE: Yt 0 1 et 1 2 X t
1 indica la proporción del error de Y, en el
periodo t-1, que es corregido en el periodo t
Econometría II Mg. Beatriz Castañeda 8
Modelo de Vectores Autorregresivos VAR
y1t a11 a12 ... a1k y1t 1 b11 b12 ... b1k y1t 2 c11 c12 ... c1k y1t p 1t
y a
a22 ... a2 k y2 t 1 b21 b22 ... b2 k y2 t 2 c c22 ... c2 k y2 t p 2 t
2 t 21 ... 21
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
ykt ak 1 ak 2 ... akk ykt 1 bk 1 bk 2 ... bkk ykt 2 c k 1 ck 2 ... ckk ykt p kt
y1t
y Vector de k variables
Yt
2t
... endógenas estacionarias
ykt
1t 0 11 12 ... 1k V ( 1t ) 11
0 22 ... 2 k V ( 2t ) 22
t 2t E ( t ) V ( t ) E ( t t ´)
21
... ... ... ... ...
...
…….
kt 0 k 1 k 2 ... kk V ( kt ) kk
y1t a11 y1t 1 a12 y2t 1 a13 y3t 1 b11 y1t 2 b12 y2t 2 b13 y3t 2 1t
y2t a21 y1t 1 a22 y2t 1 a23 y3t 1 b21 y1t 2 b22 y2t 2 b23 y3t 2 2t
y3t a31 y1t 1 a32 y2t 1 a33 y3t 1 b31 y1t 2 b32 y2t 2 b33 y3t 2 3t
( I A1 L A2 L2 .... A p Lp )Yt t
Yt ( I A1 L A2 L2 .... A p Lp ) 1 t
Yt ( I 1 L 2 L2 ....) t
Yt t 1 t 1 2 t 2 3 t 3 ....
A( L)Yt I t Yt ( L) t
( I A1 L A2 L2 .... A p Lp ) ( I 1 L 2 L2 ....) I
Respuesta y1 y2 y3
t 1t=1 0 0
t+1 a111t=a11 a211t=a21 a311t=a31
t+2 c111t=c11 c211t=c21 c311t=c31
…..
1t 1 2t 0 3t 0
Respuesta y1 y2 y3
t 1t=1 0 0
t+1 Ψ11,11t=Ψ11,1 Ψ21,11t=Ψ21,1 Ψ31,11t=Ψ31,1
t+2 Ψ11,21t=Ψ11,2 Ψ21,21t=Ψ21,2 Ψ31,21t=Ψ31,2
t+3 Ψ11,31t=Ψ11,3 Ψ21,31t=Ψ21,3 Ψ31,31t=Ψ31,3
….. ……. ……. ……..
E ( t* ) P 1 E( t ) 0
t* P 1 t
V ( t* ) P 1V ( t ) P 1' P 1 PP' P 1' I
Yt PP 1 t 1 PP 1 t 1 2 PP 1 t 2 3 PP 1 t 3 ....
Yt t 1 t 1 2 t 2 .... s 1 t s 1 s t s ...
Yt s t s 1 t s 1 2 t s 2 .... s 1 t 1 s t ...
Luego
eT s YT s YˆT s t s 1 t s 1 2 t s 2 .... s 1 t 1
V (et s ) PP' 1 PP' 1' 2 PP' 2' 3 PP' 3' ....s 1 PP' s' 1
k
V (et s ) [Pj Pj' 1 Pj Pj' 1' 2 Pj Pj' 2' 3 Pj Pj' 3' ....s 1 Pj Pj' s' 1 ]
j 1
Descomposición de la Varianza
s 1 k
V (ei t s ) (b *ij , h ) 2
h 0 j 1
s 1
ij ,h
( b * ) 2
h 0
Pr op s 1 k
(b *ij ,h ) 2
h 0 j 1
ˆ ee' y
ˆ
2l ln T
Coeficiente del criterio de Shcwaarz SC SC n
T T
Donde:
d: nº de variables exógenas
k: nº de variables endógenas
p: Orden del VAR
El criterio de información es usado para elegir el orden del VAR. El valor más
pequeño del criterio nos lleva al mejor modelo.
El orden del VAR tiene que ver con el hecho de que los residuos de un
modelo con número suficientemente grande de rezagos es un ruido
blanco, pero convierte a los estimados en imprecisos.
Ejemplo
Sea k=2, entonces al pasar de un VAR(2) A un VAR(4)
Sea un VAR(P)
p 1
Yt Yt 1 i Yt i t
i 1
p p
Donde: Ai I , i Aj
i 1 j i 1
Prueba de Johansen
El método de Johansen consiste en estimar la matriz en forma irrestricta,
entonces prueba las restricciones para el rango de , puesto que el nº de
vectores de cointegración depende del rango de , el que a su vez está en
función del nº de valores propios no nulos de la matriz .
k r = 0, 1, …, k-1
Qr T ln( 1 i ) i es el i-ésimo valor propio más grande
i r 1
Si se concluye que
Resumen
a) Si todas las variables son estacionarias se analiza un modelo
VAR irrestricto para las series en su nivel
b) Si las series son integradas del mismo orden se analiza las
relaciones de largo plazo existentes entre las variables y se estima
el modelo VEC para la corrección del error, esto es, un VAR
restringido para las diferencias.
c) Si las series son integradas y no existe relación de cointegración
entre ellas. Se estima un modelo VAR para las diferencias de las
series.