Cuaderno Econometría I y II

Escuela Militar de Ingeniera
La Paz - Bolivia

Apuntes de Econometra II
La Paz
- Bolivia
Lic. Rubn Aguilar Cruz
TEMA
N 1

La Paz - Bolivia
MODELOS DE ECUACIONES SIMULTNEAS

I.1.
Introduccin
En un modelo de ecuaciones simultneas, todas las variables endgenas

son variables aleatorias: un cambio en cualquier trmino de
perturbacin cambia todas las variables endgenas, ya que se
determinan simultneamente.
Adems podemos decir que las variables endgenas utilizadas como
regresores estn contemporneamente correlacionadas con el trmino
de perturbacin.
4
Ct = + Yt + Ut
3
Yt = Ct + Zt
I.2.
SISTEMA
DE
ECUACION
Objetivos
Elementos clave para entender los vectores auto regresivos (VAR)
Conocer la dinmica de sistemas de ecuaciones-estimacin e

interpretacin
I.3.
Consecuencias
Problemas de endogeneidad
El comportamiento de un variable se correlaciona
Problemas de exogeneidad
Suponga que Y es explicada por X decimos:
Debilmente exgena.- Si Y no explica tan bien a X
Y = a + bX +
X = a + bY +
Fuertemente Exogena.- Si tampoco los rezagos de Y explixcan

a X
h = a + bYt-1 + cYt-2 +

La Paz - Bolivia
Super Exogena.- Si el vector de parmetros asociados a X son

independientes del proceso generado de X
Y = X +
Problema con el mtodo de estimacin

No sirve estimar por el mtodo MCO por que hay variables
endgenas como exgenas (Se busca que no exista sesgo y sea
consistente).
Entonces se utiliza el mtodo MC2E MCI
Error es un transformacin lineal de los residuos diferentes
I.4.
Fundamentos
Forma estructural
-Un modelo esta en su forma estructural cuando existe una teora
econmica subyacente a esa expresin.1
-Para explicar ecuaciones simultneas denota una actividad de
trabajo.2
hts = 1w + 1z1 + 1
Donde:
hs es la oferta laboral en el agro en horas promedio al ao.

w es el salario en el sector agro.
z1 es el salario en el sector manufacturero
LA ECUACION ES ESTRUCTURAL PORQUE ES DERIVABLE Y existe una relacin

CAUSAL
como cambia la oferta laboral cuando cambia el salario
hts
= 1=0,7
wt
hs = w1z111
Ln h =
1 Pindyck y Rubinfeld (2001)
2 Wool Drige (2010)
1 Ln w + 1 Ln z1 + V1

La Paz - Bolivia
1
dh
ln h
ht t
=
ln w t 1
d wt
wt
s
t
d ht
h
d wt t
= 1
wt
No se puede estimar por MCO porque existira sesgo.
Forma reducida
-Implica que cada variable endgena se exprese como una funcin
lineal de todas las variables exgenas.3
-En la forma reducida de modelos de ecuaciones simultaneas una
ecuacin
esta
determinada
por
encontramos
las
variables
endgenas en funcin a las variables exgenas.4
(gaby)
Los MES Modelos de Ecuaciones Simultaneas a diferencia de los modelos

economtricos tradicionales incorporan en su dinmica la simultaneidad de
variables exgenas y endgenas en sus ecuaciones. Entonces la unidireccional
causal se convierte en bidireccionales.
En la prctica existe gran interdependencia entre las variables econmicas,
esto amerita la teora subyacente de los Modelos de Ecuaciones Simultaneas.
Escribimos el siguiente modelo:
(1)
3 Peter Kenedy
4 Hamilton (1994)
Y 1 t= 12 Y 2t + 11 X 1 t + 1 2 X 2 t + 1 t

La Paz - Bolivia
Y2t 21Y1t 23 X 3t 2t
(2)
Generalizando:
(1)
11 y1t 12 y2t L 1g y gt 11 x1t 12 x2t L 1k xkt 1t
21 y1t 22 y2t L 2 g y gt 21 x2t 22 x2t L 2 k xkt 2t

M
31 y1t 32 y2t L 3 g y gt 31 x1t 32 x3t L 3k xkt 3t
Expresin matricial de la forma estructural de los modelos de ecuaciones

simultaneas MES
Y X U
Dnde:
: es una matriz de tamao G*G de parmetros de las variables endgenas

de las G ecuaciones.
: es una matriz de tamao G*K de los parmetros de la variable

predeterminada de las G relaciones.
Y: es un vector de orden G*1 de variables endgenas de las G ecuaciones.
X: es un vector de tamao K*1 de variables predeterminadas.
: es un vector de tamao G*1 de shocks aleatorios.

La Paz - Bolivia
Retomando la forma estructural del modelo:
Y X U
//(
)-1
1 Yt 1X t 1t
Yt 1X t 1t
Yt X t vt
Expresin matricial de la forma reducida de los modelos de
ecuaciones simultaneas MES
a) Forma estructural del MES
Y X U
Yt 1X t 1t
b) Forma reducida del MES
Yt X t vt
Y1t 11 X 1t 12 X 2t K 1k X kt v1t
Y2t 21 X 1t 22 X 2t K 2 k X kt v2t
M
M
Ygt g1 X 1t g 2 X 2t K gk X kt vgt

La Paz - Bolivia
Y1t
Y
2 t
M

Ygt
11 12

22
21
M M
g1 g 2
K
K
O
K
1k
2 k
M
gk
X 1t
X
2 t
M

X xt
v1t
v
2t
vgt
Keneddy (1997).- Los parmetros asociados de la forma reducida son los

multiplicadores de largo plazo del modelo como tal. Las funciones de los
multiplicadores de largo plazo son:
Realizar pronsticos de variables endgenas individualmente
Recuperar los parmetros de la forma estructural
Y X U
Yt 1X t 1t
Yt X t vt
Problema
de
identificacin.-
Cuando
no
es
posible
estimar
los
parmetros de las ecuaciones originales (los parmetros estructurales),

las estimaciones de los parmetros de la forma reducida solo sern
tiles si pueden usarse para derivar estimaciones de los parmetros
estructurales, es decir, cuando no se puede recuperar de la forma
reducida, la forma estructural, dado una existencia de una relacin no
lineal.
Existen dos problemas de estimacin:

1. Como estimar la forma estructural del MES
2. Como estimar la forma reducida del MES
Ejemplo
Determinar la forma estructural y la forma reducida del siguiente modelo de
ecuaciones estructurales.
Sea el modelo

La Paz - Bolivia
Qtd 1 2 Pt 3Yt 1t
Qto 1 2 Pt 2t
Las desviaciones con respecto a la media serian:
qtd Qtd Q d
qto Qto Q o
pt Pt Pt
yt Yt Yt
La forma estructural sera:
qtd 1 2 pt 3 yt 1t
qto 1 2 pt 2 t
Haciendo algunas operaciones para encontrar la forma reducida:
2 pt 3 yt 1t 2 pt 2t
2 pt 2 pt 2t 3 yt 1t
2 2 pt 2t 3 yt 1t

La Paz - Bolivia
pt
2t 1t
3
yt
2 2 2 2
pt
3

yt 1t 2t
2 2
2 2
pteq 12 yt v1
3

yt 1t 2t 2t
2 2
2 2
qto 2
qto
2 3
yt 2 1t 2 2 t 2t
2 2
2 2 2 2
qto
2 3
2 2
yt 2 1t 2
2t
2 2
2 2
2 2
qto
2 3
2
yt 2 1t
2t
2 2
2 2 2 2
qteq 22 yt v2
Por lo tanto el sistema de ecuaciones de la forma reducida ser:
pteq 12 yt v1
(1)
qteq 22 yt v2
(2)

La Paz - Bolivia
Como se puede observar el sistema esta exogenizado, es decir, las endgenas
solo estn en funcin de las variables exgenas y no as de otras endgenas.
I.5.
Formas de estimacin
I.5.1.Mtodos Uniecuacionales
Siempre que la ecuacin sea identificable (se desarrollara ms
adelante), se realiza la estimacin del sistema ecuacin por ecuacin en
forma separada, esta forma de estimacin a veces recibe el nombre de
mtodos de informacin limitada, se denomina as porque se utiliza
informacin de las restricciones inherentes a esa ecuacin.
Dado el siguiente modelo, hallar la mejor forma de estimacin:
Ct a byt t
(1)
yt Ct I t
(2)
Donde:
Ct , yt
Las variables endgenas son:
It
Las variables predeterminadas son:
Llama la atencin que:
( yt , t ) 0
1
1
Ct
{C
{C
yt
dCt
b
dyt
sesgo positivo
Si la perturbacin
se dispara, la funcin consumo tambin es
afectada por esta, por lo tanto el ingreso tambin crece, haciendo un

La Paz - Bolivia
proceso cclico y sin fin. Por lo tanto podemos concluir que existe un
problema de endogeneidad.
yt Ct I t
Ct a byt t
Donde:
, entonces introduciendo en la ecuacin tenemos:
yt a byt t I t
Despejando el ingreso y operando llegamos a:
yt
a
1
1
It
t
1 b 1 b
1 b
a
1
1
It
t t
1 b
1 b 1 b
Ct a b
Ct a
ab
b
b
It
t t
1 b 1 b
1 b
Ct
a
b
b
It
t
1 b 1 b
1 b
Por lo tanto tenemos, el siguiente sistema de la forma reducida:
yt 1 2 I t v1
yt 3 4 I t v2
Donde:

La Paz - Bolivia
a
1
1
; 2
; v1
t
1 b
1 b
1 b
a
b
b
; 4
; v2
t
1 b
1 b
1 b
Ct a byt t
(1)
Yt Ct zt
(2)
Los supuestos a usar son los siguientes:
E t 0
1)
0t
2
t
E t ,
2)
0 0, t
2
0, t
E t , t
3)
E zt , t 0
4)
Trabajando en las ecuaciones 1 y 2:
Yt yt t zt
yt
3)
1
1
zt
t
1 1
1
1
1
zt
1
1 1
Ct
t t

La Paz - Bolivia
Ct
4)
zt
t
1 1
1
Estimacin por mnimos cuadrados ordinarios (MCO)

Existe sesgo asinttico
Es MELI cuando un regresor es una variable endgena de otra ecuacin
del sistema no tiene interdependencia con la perturbacin con la misma
ecuacin.
Exploratorio
Este es el mtodo que estima la forma estructural del modelo anterior, es
decir:
E yt
1
1
zt
E t
1 1
1
E yt
zt
1 1

1
1
1
E t , Yt Y E t ,
zt
t
1
1 1
1 1
1
E t , Yt Y
E t2
1
Genera un problema de sesgo
cov t , Yt 0
Por la materia de Econometra I, sabemos que:
Y X
cov x, y mx , y

var x
mx , x
Por lo tanto, determinamos que:
m
cm Ymc , y
C Y c c , y Y y , y
my , y
my , y

zt


La Paz - Bolivia
cov c, y mc , y

var y
my , y
Usando:
m
c , y
my , y
Retomando la forma reducida del modelo tenemos:
Ct
zt
t
1 1
1
yt
1
1
zt
t
1 1
1
(1)
(2)
De la ecuacin (1) tenemos con algunas operaciones:
C 1 1 z 1
t
() //
1
n
1 1
1
(3)
De la ecuacin (2) tenemos con algunas operaciones:
y 1 1 z
t
1
1
1
1
1 1
1
(4)
A la ecuacin (1) le restamos la ecuacin (3):

La Paz - Bolivia
Ct C
1
zt z
t
1
1
(5)
A la ecuacin (2) le restamos la ecuacin (4):
yt Y
1
1
zt z
t
1
1
(6)
m
c , y ?
my. y
Donde el numerador es igual a:
1
mc , y Ct C yt Y
zt z
t
1
1
mc , y
1
1
zt z
t
1
1
1
1
2
2
z z
z z t

2 t
2 t
2 t
1
1
1
mc , y
1
1
mz , z
mz ,
m ,
2
2
2
1
1
1
(7)
Y el denominador es igual a:
my , y
my, y
my , y
1
1
zt z
t
1
1
zt z
mz , z
zt z t
mz ,
m ,
(8)

La Paz - Bolivia
El objetivo es la estimacin de
, para ver si el MCO es un mtodo eficiente,
entonces:
m
c , y
my. y
1
1
mz , z
mz ,
m ,
2
2
2
1
1
1
1
2
1
mz , z
mz ,
m ,
2
2
2
1
1
1
Con un comn denominador, y una posterior simplificacin tenemos:
mz , z 1 mz , m ,

mz , z 2mz , m ,
Ahora bien sabemos que:
E z, 0
m , 2
Por lo tanto, nos queda que:
Lim
n
mz,z 2
mz,z 2
Adicionando y restando
tenemos:
Lim
n
Operando:
mz ,z 2
m z,z 2

La Paz - Bolivia
Lim
m z , z 2 m z , z 2
mz,z
Se conocer las caractersticas de
para ver si cumple las
propiedades MELI
2 1
Lim
n
mz,z 2
El trmino adicional se llama sesgo asinttico y este no depende de la
muestra.
Por lo tanto determinamos que por MCO:
Estimacin por mnimos cuadrados indirectos (MCI)

Estimar la forma reducida
Depende de la identificacin
Debe recuperar los parmetros estructurales
E g x g E x La Funcin es Lineal
o
E g x g E x La Funcin es no Lineal
o
Este mtodo no tiene sesgo y no existe sesgo asinttico, no sirve
si las ecuaciones estn sobreidentificadas.
Retomando:
Ct Yt t
cm y , y Ymc, y mc, y
;
my , y
my, y

La Paz - Bolivia
Entonces:
Ct
zt
t
1 1
1
yt
1
1
zt
t
1 1
1
Para:
c, z
1 mz , z
m
1
y,z
1 mz , z
cm zmc , z
z,z
1
mz , z
ymz , z zmc , z
1
mz , z
Ahora:
c, z
1 mz , z
Tambin:
1 mz , z
mc , z

La Paz - Bolivia
mc , z
mz , z mc , z
m y , z mc , z mz , z
Identidad importante
ymz , z zmc , z
1
mz , z
ymz , z zmc , z
mz , z
ymz , z z mc , z mz , z
my , z
mz , z y z zmc , z
my , z
1*
cmz , z zmc , z
my , z
2*
y
son iguales?
Pero
Si son iguales y pasa lo mismo con

Ct byt t
(1)
mc , z
my , z
ymz , z zmc , z mz , z
mz , z
my , z

La Paz - Bolivia
Ct
zt
t
1 1
1
(3)
zt
t
1 1
1
Ct C
1
zt z
t
1
1
Yt Ct zt
(2)
yt
1
1
zt
t
1 1
1
(4)
mc , z
my , z
1
mz , z
mz ,
1
1
1
1
mz , z
mz ,
1
1
mz , z mz ,
mz , z mz ,
mz , z m z , m z , z m z ,
mz , z m z ,
1 mz ,
m z , z mz ,
Lim *
n

La Paz - Bolivia
Los estimadores
proceden de estimadores insesgados de la
forma reducida pero no de la forma estructural, pero ahora si son

consistentes.
Estimacin por el mtodo mnimos cuadrados de dos

etapas (MC2E)
Retomando:
Ct byt t
Yt Ct zt
ut , Y t
estan correlacionado, por lo tanto utilizar MCO seria muy
dudoso
Se puede utilizar MCI, pero no siempre funciona ya que depende del
problema de identificacin
MC2E es un mtodo mas general y mas popular
La idea de este mtodo es:
Purgar de
Yt
la parte estocstica la cual esta asociada a
esto quiere decir que se debe eliminar la parte estocstica de

para poder aplicar MCO en la forma estructural.
Cov zt , t 0
Zt
Para esto ayuda la variable
porque la
Yt f zt y t
Yt yt t *
Primera Etapa
Y f z
Yt 1 2 zt t *
ut ,
Yt

La Paz - Bolivia
1 y 2 z
cov y, z
my , z
m
z,z
var z
Yt 1 2 zt
Yt yt t *
SEGUNDA ETAPA
Reemplazar en:
Ct byt t
Yt y t t *
Ct b yt t * t
Ct by t t t *
1 42 43
Error Compuesto
Donde
( ut + t ) se denomina error compuesto.
Y^t
es una funcin exacta de
Zt
no est correlacionado con
ut
no est correlacionado con
Z t : Propiedad de MCO
Y^t
no est correlacionado con el error compuesto
Zt
Ahora bien, completando la segunda etapa tenemos:

La Paz - Bolivia
m
cy
m yy
De
Yt 1 2 zt // Y
Yt Y 2 zt z // Ct C // Yt Y
Tenemos:
yt 2 zt
De
m
cy
m yy
mcy m yy
Y Y C C
t
Y Y Y Y
t
zt z Ct C mcy 2 mzc
zt z Yt Y myy 2 mzy
m m
cy 2 zc
m yy 2 mzy
Pero:
Y Y Y Y
t
zt z 2 zt z

La Paz - Bolivia
m m
cy 2 zc
m yy 2 mzz
m
m
zc 2 yz
2 mzz
mzz
m
zc
m yz
Mismo estimador que MCI por lo tanto es insesgado
Estimacin mnima de varianzas (RMV)

Ct yt t
Ecuacin Problema
(1)
Ct yt zt vt
(2)
n 0
v2 2
El principio de la Razn mnima de varianzas afirma que los estimadores

de y deberan elegirse de tal forma que minimice la razn mnima
residuales de 1) y 2).
Ct * Ct ( * * yt )
ct* t * yt

La Paz - Bolivia
Ct yt t 2
La suma residual cuadrada de
t zt
*
es:
* z

z 2
y de la relacin
cz
De
t * zt t *2
2
t * z1
zt 2
t *2
t
*2
t * z1
zt 2
t z t 0 L 1
Si:
Siendo este el valor mnimo de L
El estimador ser:
mcz
myz
Por lo tanto, es insesgado.

El desarrollo es mucho ms extenso pero por la poca importancia que se
le da a este mtodo.
I.6.
Identificacin
Es posible que dos o ms ecuaciones que contengan las mismas

variables no puedan ser distinguidas unas de otras, por lo que es
necesario identificarlas.
Ejemplo:

La Paz - Bolivia
Qtd Pt td
0 0
Qts Pt ts
A partir de I ser difcil estimar cualquiera de las dos ecuaciones. La

existencia o no existencia de correspondencia entre la forma estructural
y la reducida, representa el problema de identificacin. Ya que nos
interesa identificar los Parmetros estructurales
a partir de la forma
reducida. Por lo que el problema de identificaciones un problema de

especificacin, para lo cual existen tres grados bien definidos de
identificacin.
a) Sobre identificacin: Cuando los coeficientes de la forma reducida
implica 2 ms valores para un solo parmetro estructural.
b) Subidentificacin: Cuando por medio de la forma reducida va a ser
imposible obtener los parmetros de la forma estructural.
c) Exactamente identificado: Cuando los parmetros de la forma
estructural se obtienen exactamente de la forma reducida.
Identificacin de una sola ecuacin
Pt td Pt ts
p eqq 1 v1
pt
eqq
ts td
pt eqq 1 v1
No siempre los MCI nos van de devolver los parmetros de la forma
estructural, adems de unos buenos parmetros.

La Paz - Bolivia
Qt eqq
ts
td ts

Qt eqq
s
d
t
t

Qt eqq
ts td
Qt eqq 2 v2
Especificando:
Qt eqq 2 v2
pt eqq 1 v1
s td

; v1 t

ts td

; v2

Son dos ecuaciones, cuatro incgnitas.

Verifiquemos es posible recuperar los parmetros de la forma estructural
por medio de los parmetros de la forma reducida.
Es subidentificacin, ya que por medio de los parmetros
reducidos es imposible obtener los parmetros estructurales.

La estimacin por medio de MCI no reporta buenos resultados
en ecuaciones identificables.

La Paz - Bolivia
Condicin de orden y de rango

Retomando:
11 y1t 12 y2t L 1g y gt 11 x1t 12 x2t L 1k xkt 1t

21 y1t 22 y2t L 2 g y gt 21 x2t 22 x2 t L 2 k xkt 2t
M
31 y1t 32 y2t L 3 g y gt 31 x1t 32 x3t L 3 k xkt 3t

Yt X t U t
Yt X t Vt
En la que existan:
G: Variables endgenas
K: Variables exgenos
Gi
: Nmero de variables endgenas presentes en la i-esima
ecuacin.
Gi
De variables endgenas ausentes en la i-esima ecuacin
pero presentes en el resto del sistema.

K i :
Exgenas presentes en la i-esima ecuacin.
Ki
De variables exgenas ausentes en la
pero presentes en el resto del sistema.

Gi Gi G
i -esima ecuacin

La Paz - Bolivia
K i* Ki** K
Condicin de orden
Yt X t U t
Para que la i-esima ecuacin del sistema
preciso cumplir:
sea identificable es
Gi Ki** G 1
K i** Gi Gi Gi 1
K i** Gi 1
El problema de esta condicin es que no es posible verificar el tipo de
identificacin que se da, es decir, no se sabe si es sobreidentificada la
ecuacin, subidentificada o exactamente identificada.
Condicin de Rango
Para que la
Yt X t U t
exima ecuacin del sistema
sea
identificable, la matriz de coeficientes del modelo correspondiente a las

variables ausentes de la
exima ecuacin debe tener rango
G1
R (Gi , Ki** ) G 1
Es importante que se cumplan ambas condiciones para que la i-esima ecuacin
sea identificable en forma
EXACTAMENTE IDENTIFICADA:
K i** Gi 1
a)

La Paz - Bolivia
p(Gi , Ki** ) G 1
b)
SOBREIDENTIFICADA
K i** Gi 1
a)
p(Gi , Ki** ) G 1
b)
EJEMPLO:
Sea el siguiente sistema:
Qtd 1 0 1 P1t 2 P 2t 3 yt t1
Qts1 0 1 P1t 3Wt t2
Qtd 2 0 1 P1t 2 P 2t 3 yt t3
Qts 2 0 2 P 2 t t4
Variables endgenas:
Qtd 1 Q s1 Qt1
Qtd 2 Q s 2 Qt2
P1t
P 2t
Total = 4
Variables exgenas:

La Paz - Bolivia
yt
Wt
Ordenando:
Qtd 1 0 1 P1t 2 P 2t 3 yt 0Wt t1

Qts1 0 1 P1t 0 P 2t 0 yt 3Wt t2
Qtd 2 0 1 P1t 2 P 2t 3 yt 0Wt t3
Qts 2 0 0 P1t 2 P 2t 0 yt 0Wt t4
Qtd 1 0 1 P1t 2 P 2t 3 yt 0Wt t1

Qts1 0 1 P1t 0 P 2 t 0 yt 3Wt t2
Qtd 2 0 1 P1t 2 P 2t 3 yt 0Wt t3
Qts 2 0 0 P1t 2 P 2t 0 yt 0Wt t4
Entonces la Matriz de coeficientes es:
1
0
0 1
0 1
1 0 1
1 0
0
0
0
2
0
2
2
3 0
0 4
3 0
0 0
a) Aplicando la condicin orden

K i** Gi 1
Ecuacin 1
K i** Wt 1
Gi QTd 1 ; Pt1 ; Pt1 3

La Paz - Bolivia
1 3 1 1 2
Ecuacin no identificada
Ecuacin 2
K i** Yt 1
Gi QTd 1 ; Pt1 2
1 2 1 1 1
Ecuacin exactamente identificada
Ecuacin 3
K i** Wt 1
Gi QTd 1 ; Pt1 ; Pt 2 3
1 3 1 1 2
Ecuacin no identificada
Ecuacin 4
Ki** Yt ,Wt 2
Gi QTd 1 ; Pt 2 2
2 2 1 2 1
Ecuacin identificada
b) Aplicando la condicin de rango
R K i** , Gi G 1
Ecuacin 1

La Paz - Bolivia
Qtd 2 , Wt 2
0 4
R 1 0 2
1 0
2 4 1 2 3
Ecuacin no identificable
Ecuacin 2
Qto 2 , Pt 2 , Yt 3
0 2 2
R 1 2 2 3
1
0
2
3 4 1 3 3
Ecuacin identificada
Ecuacin 3
Qtd 1 , Wt 2
1 0
R 1 4 2
0 0
2 4 1 2 3
Ecuacin subidentificada
Ecuacin 4
Qto1 , Wt , Pt1 , Yt 4

La Paz - Bolivia
1 1 3 0
R 1 1 0 4 4
0 0
1
3
4 4 1 4 3
Ecuacin Sobreidentificada
Escribiendo la ecuacin dado el sistema:

Qto 2 0 2 Pt 2 t
Ejemplo:
No es identificable, pero existe sobre identificacin, existe ms
ecuaciones que incgnitas, por lo que se debe utilizar mnimos
cuadrados en dos etapas.
Luego de conocer la forma estructural de un modelo de ecuaciones
simultaneas y haber obtenido la ecuacin reducida del mismo el proceso
de identificacin debe siempre proceder al proceso de estimacin,
realizndose esta ecuacin por ecuacin. Existen diferentes mtodos de
estimar un modelo de ecuaciones simultneas, entre ellos MCO (el cual
no proporciona estimadores con las propiedades ya conocidas), tambin
est entre ellos MCI que a veces proporciona estimadores con
propiedades ya conocidas (problema debido a la subidentificacin).
Afortunadamente existen otros mtodos de estimacin de MES, los
cuales se dividen en dos grandes categoras:
a) Mtodos basados en informacin limitada.
b) Mtodos basados en informacin completa.
Los mtodos basados en el inciso a son mtodos de estimacin
uniecuacionales, MCO, MCI, mtodo de estimacin con variables
instrumentales, MC2E, mxima verosimilitud con informacin limitada
(todas las ecuaciones, ecuacin por ecuacin). Mientras que para el

La Paz - Bolivia
inciso b se tiene MC3E y mxima verosimilitud con informacin

completa.
Mtodos sistmicos
I.7.
Llamado tambin mtodo de informacin completa. Este mtodo utiliza

todas las ecuaciones del sistema en forma simultnea, y adems utilizan
toda la informacin de las restricciones del sistema para cada parmetro
estimado.
Mnimos cuadrados de tres etapas

y t xt t
1 y t 1 xt 1t
Donde:
1 : Es la 1 fila de
1 : Es la 1 fila de
y t : Vector columna de variables endgenas
xt : Vector columna de la variable predeterminada "K"
11 y1t L 1G yG t 11 x1t L 1K* yK *t 1t t 1, 2,3,K , n

Normalizando:
11 1
y1t L 1G yG t 11 x1t L 1K* y K *t 1t
y1t 12 y2t K 1G yG t 11 x1t L 1K* yK *t 1t

y1 Y2 2t X * 1*t 1
Donde:

La Paz - Bolivia
y11

y
12
Y2
y1
y1n n*1
y21
y22
M
y2 n
y31
y32
M
y3n
L
L
O
L
yG 1
x11 x21
yG 2
x12 x22
X
M M
M
yG n
n* G 1
x1n x2 n
L
L
O
L
y12
11
y13
12
t
*

M
M
y1G1 G1 1 ,1
1K * K *,1
;
Cov 1 , Y2 0
estn correlacionados
MC2E:
Y2 Y2
Y2 f X
MCO
MC3E:
Retomemos:
y1 Y2 2t X * 1*t 1
y1 Y2 2t X * 1*t 1
y1 z11 1
z1 : (1, 2) z1 Y2 X * 1,2
2t
1 : (2,1) 1 t
1* 2,1
xK *1
xK * 2
M
xK *n
n*K *

La Paz - Bolivia
Si premultiplicamos:
y1 Y2 2t X * 1*t 1 //( X ) t
Donde:
X X * X **
Sistema de K ecuaciones con
G 1 k*
incgnitas:
X t y1 X tY2 2t X t X * 1*t X t 1
y1 z11 1
Si
k ** G 1
Existen tantas ecuaciones como incgnitas,
E X t 1 0
1
1 X t z1 X t y1
MCI
Cuando el sistema es perfectamente identificable es equivalente a usar MCI.
Si:
y1 z11 1
y
k ** G 1
Existen ms ecuaciones que incgnitas
X t y1 X t z11 X t 1
Entonces para
, no es apropiado usar MCO.
Si suponemos que las variables predeterminadas se componen solo de
X t t
variables exgenas, la matriz de varianzas y covarianzas de
E X t X t
6 7 8
E X t X X t X
t
t
t
Entonces para estimar:
, seria:

La Paz - Bolivia
Debemos aplicar Mnimos cuadrados generalizados (Econometra I):
1
1 X t 1 z1 X t 1 yt
1
1 z1t X X t X X ' z
z1t X X t X
X t yt // MC 2 E
Se utiliza MCG cuando existe un problema entre regresiones ocasionando un

problema de autocorrelacin. Tambin cuando la matriz de varianzas y
covarianzas no es un escalar.
Como se usa MC2E tenemos que purgar de la variable exgena y endgena
en otra ecuacin el trmino estocstico correlacionado con el error.
La idea de MC3E es escribir cada ecuacin de la siguiente forma:
Y aplicar MCG al conjunto del sistema:
X t y1
t
X y2
M
t
X yG
X t z1
0
M
0
0
X t z2
M
0
L
L
O
L
0
M
X t zG
1

2
M

G
X t 1
t
X 2
X t G
Por lo tanto, el mtodo MC3E es mas eficiente que el mtodo MC2E.

La Paz - Bolivia
TEMA N 2
ANLISIS DE SERIES DE TIEMPO
2.1. ECUACIONES EN DIFERENCIAS
Son modelos de ecuaciones que se encuentran en tiempo discreto, PIB, IPC, u
otras acciones estacionarias.
Y =Y tendencia
Y cclica
Y irregular
Y estacionaria
Componentes
yt yt *
Gap
yt *
Donde
G ap
t 1 2Gap
= Brecha del producto
pt pt 1
pt 1
ecuacin en difernecias.
i i 1
Estas presentan tiempo discreto
En un modelo estocstico (incluye el trmino de perturbacin):
yt 1 yt 1 2 yt 2 K p yt p t

La Paz - Bolivia
1
yt
1
yt 1
M 0
M
yt p 1
2 .... p 1 p yt 1
1
y
0 .... 0
0 t 2 0
yt 3 0
0
1 .... 0

M O
M M M M
y 0

... ...
0 t p
1
t F t 1 Vt
Para t=0:
0 F 1 V0
Para t=1:
1 F 0 V1
1 F F 1 V0 V1
1 F 2 1 FV0 V1
Para t=2:
2 F 1 V2
2 F F 21 FV0 V1 V2
2 F 31 F 2V0 FV1 V2
Generalizando:
t F t 1 1 i 0 F t iVi
t
t F t 1 1 F tV0 F t 1V1 L F 1Vt 1 F 0Vt

yt 1 yt 1 2 yt 2 K p yt p t
Retomando:
t Ft 1 Vt
t F t 1 1 F tV0 F t 1V1 L F 1Vt 1 F 0Vt

1 4 4 4 4 44 2 4 4 4 4 4 43
Desagregacin de los Shocks Aleatorios

La Paz - Bolivia
Desagregando los choques tenemos:
yt 1
yt
yt 2
yt 1
F t 1 yt 3 F t
M
yt p 1
t p
0 F t 1
t 1
0
0
0 L F 0 F 0
M
M
t
0
M
0
t
f 1,1
Sea
el elemento (1,1) de F:
t 1
t 1
t 1
t
t 1
0
yt f 1,1
yt 1 f 1,2 yt 2 K f 1, p yt p f 1,1V0 f 1,1V1 K f 1,1Vt 1 f 1,1Vt
Generalizando a (t+j):
j 1
j 1
j
j 1
1
0
yt j f 1,1j 1 yt 1 f 1,2
yt 2 K f 1, p yt p f 1,1 V0 f 1,1 V1 K f 1,1V( t j ) 1 f 1,1V( t j )
yt j
t
1
Donde
f 1,1j
{
Multiplicador
Dinmico
j 1
es el elemento (1,1) de F
f 1,1j
yt j
Ante un cambio unitario en
yt j
t
el efecto es
(elasticidad )
12 2
Es el elemento (1,1) de
Sea
t
f (1,1)
el elemento (1,1) de F
F I p 0
Resolviendo matricialmente
F 2 j 2

La Paz - Bolivia
1 2 .... p 1 p
0
0
1 0 .... 0
0
0 1 .... 0
0 0 0
M M O
M M
M M
0 ...
0
0 ... ...
1
p

0
1
0

M

p

0

0

M

1
...
p 1
0
0
M
1
.... p 2
.... 0
0
1 O
M M 1
... ...
0
0
0
1
0
.... p 1
.... 0
0
1 O
M M
...
...
p 1
p
p

0
0
0
0
M
p 1
p
p 1 p
p 1 p
p 2

2 p 2
0
0
0
0
1
0
0
0

M
M
M
M

1
0
1
0
0
p 1
1
0
M
0
.... 0
.... 0
0
0

La Paz - Bolivia
1
0
M
0
....
....
1 O
M M
... ...
p 2
p 1 p
2
0
0
1
0
p
p

0
0
0
0
M
p 1
Obtenemos la Ecuacin Caracterstica:
p 1 p 1 2 p 2 L 2 0
1 4 4 4 44 2 4 4 4 4 43
Polinomio Caracterstico
1444
4 44 2 4 4 4 4 4 43
Ecuacin Caracterstica
Las races de esta ecuacin nos dan las caractersticas dinmicas de la serie.
TEMA
N 3
OPERADORES
DE
REZAGOS
Una serie de tiempo es un conjunto de observaciones indexadas a la fecha de

cada una de las observaciones.
y1 , y2 ,K
, yT
Donde T es una fecha en particular por generalizacin.

Todas las observaciones deben ser finitas ya que, hacer una muestra de toda la
poblacin resulta imposible por lo tanto:
K , y2 , y1 , y0 , y1 , y2 ,K
14 2 43
Observacin
yt

La Paz - Bolivia
El operador mas utilizado para explicar una serie de tiempo es el denominado,
operador de retardos o rezagos, suponiendo que se comienza en la secuencia
xt t
yt t
generando una nueva secuencia

, donde el valor de y en el
tiempo t ser igual al valor de x en el tiempo t-1, es decir:
yt xt 1
xt t
Esto se puede describir con la aplicacin de operador de rezagos a

representacin simblica de dicho operador ser L:
Lxt xt 1
La aplicacin doble del operador ser:
L( Lxt ) Lxt 1 xt 2
L2 xt xt 2
Generalizando, tenemos:
Lk xt xt k
3.1.
Propiedades
Conmutativo
L( xt ) ( Lxt )
Asociativo
xt , wt xt wt xt 1 wt 1
xt , wt xt 1 , wt 1 xt wt
Distributivo
L xt , wt Lxt Lwt
. La

La Paz - Bolivia
3.2.
Ejemplo
Sea el siguiente polinomio:
1 1L 1 2 L xt
1 L L L x
2
1 2
1 1 2 L 12 L2 xt
xt 1 2 Lxt 12 L2 xt
xt 1 2 xt 1 12 xt 2
Tiene una resolucin similar a la de un polinomio algebraico, la diferencia es
que en un polinomio algebraico la resolucin tiene un numero en particular, por
otro lado, el polinomio del operador de rezagos se refiere al operador que
xt t
puede ser aplicado en una serie de tiempo
para producir una nueva
yt t
serie de tiempo
3.3.
Estacionariedad con operadores de rezagos
Luego de una resolucin de un polinomio, las races caractersticos deben estar

dentro de un circulo unitario (Radio=1) para que el proceso estocstico sea
estacionario, es decir, cada raz del polinomio debe ser menor a 1.
1

2
1 aL bL K M2 1

La Paz - Bolivia
En caso de ser una ecuacin, las races caractersticas deben estar fuera del
crculo unitario para que el proceso estocstico sea estacionario.
1

2
1 aL bL K 0 M2 1
TEMA N 4

La Paz - Bolivia
PROCESO ESTACIONARIO ARMA

4.1. INTRODUCCIN
Estacionariedad:
Ausencia del efecto permanente
Existencia de efectos transitorios
Un proceso estacionario es aquel cuyo comportamiento patrn no es
afectado
en
forma
permanente
ante
choques,
shocks,
eventos
irregulares.
Un proceso estocstico no estacionario cuando los choques no afectan
permanentemente y acumulativa el comportamiento de la serie.
ARMA: Auto Regressive Mvil Average (promedio mvil autorregresivo)
PROCESO ESTACIONARIO: Sucesin de variables aleatorias, toda
variable econmico.
Estacionario: No afecta en
f (t)
No estacionario: Acta en
f (t)
PROCESO UNIVARIANTE ARMA: El cual proporciona una excelente

idea para describir la dinmica de una serie de tiempo en forma
individual.
4.2. EXPECTATIVAS, ESTACIONALIDAD, ERGODICIDAD

Supongamos que podemos observar una muestra de tamao T sobre
yt
alguna variable aleatoria
Ejemplo:
sea:
yt : y1 , y2 ,K , yt
t : 1 , 2 ,K , t
t : 0, 2
t
esta idnticamente e independientemente distribuida (iid)

La Paz - Bolivia
El conjunto de nmeros de t solo ser posible conocerlo cuando se

conozca el PGD (Proceso Generador de Datos).
Imaginemos que generamos un proceso con infinitos periodos
yt K , y2 , y1 , y0 , y1 , y2 ,K
El cual es inobservable
Imaginemos
una
desconocido
(conjunto) de I
batera
computacionalmente:
y , y
1
t
2
t
,K , ytI
secuencias
generadas
yt
Tiene una densidad llamada densidad incondicional de
yt : 0, 2
Supongamos que
es Ruido blanco gausiano
f yt yt
1 t
2 *
1
2 2
Las expectativas pata la t-sima observacin hace referencia a la media

de la distribucin de probabilidades.
E yt
y f y dy
t
yt
E yt P lim yti
I
0 :Varianza
Yt t
i.
E Yt
t : 0, 2
iid
Donde
es la media terica de largo plazo

La Paz - Bolivia
0 E Yt
2
f yt yt
Yt t t
ii.
E Yt t
t :
0 E Yt t E
2
2
t
Tendencia deterministica
Yt
Sea
un proceso estocstico.
y w, t / w , t T
t
w
(Conjunto de parmetros): pertenece a un espacio de probabilidad
t
(Conjunto de ndice): pertenece a un espacio de ndices que tiene como
recorrido el tiempo
y
I
t
Sea la siguiente realizacin en particular
j i
formado por
I
t
K X t 1
vector que est
yt
ltimas observaciones de
y
realizacin de
. Pensemos en cada
X t 1
la cual es generada por un valor particular de
; adems, queremos calcular la distribucin de probabilidades del vector

X; para toda la realizacin de I. esta distribucin se denomina
yt , yt 1 ,K , yt T
distribucin conjunta de

La Paz - Bolivia
Para esta distribucin podemos calcular la j-esima auto covarianza la
jt
cual llamaremos
que nos muestra el grado de covariabilidad
existente al interior del proceso estocstico.

jt lim
I
t yt 1 t 1 f yt yt1K yt j yt yt 1 K yt j dyt dyt 1 K dyt j
1
E yti t y it 1 t 1
I 0 jt 0 Varianza
En sntesis:
E Yt E Yt j
a)
b)
E yt yt j
E yt yt j
E yt
c)
La media no vara en el tiempo

La covarianza es invariable en el tiempo
Cov yt , yt j j
j 0
E yt j
La Varianza del proceso
estacionario es invariante en el tiempo.

Si a, b, c se cumplen y son invariantes en el tiempo decimos que el
proceso estocstico es estacionario es sentido dbil.
Proceso est representado por una serie de tiempo (conjunto de
observaciones que describe el proceso estocstico)

La Paz - Bolivia
P Yt , Yt 1 ,K , Yt j P Yt , P Yt 1 ,K , P Yt j
d)
La densidad conjunta
es invariable en el tiempo.
Si se cumple a, b, c, del proceso estocstico es estacionario en sentido

fuerte.
Nosotros podemos entender el concepto de expectativas de una serie de
tiempo en trminos de simples y sencillos promedios, recordando:
1 I i
Yt
I I
i 1
E Y lim
1 I i
E yt t y it 1 t 1
I I
i 1
jt lim
E YT
Pero
1 T (1)
Yt y
T i 1
E YT
Si eventualmente
Yt t
converge en el tiempo a
E YT
dado
estacionario decimos que el proceso estocstico estacionario es
ergodico para la media.
4.2.1. ERGODICIDAD
Cuando la media de la serie de tiempo converge en probabilidades a
E YT
cuando
. Como veremos ms adelante esta definicin es

La Paz - Bolivia
j 0
equivalente
que
la
funcin
de
autocovarianzas
sea
j0
absolutamente sumable
4.2.2 RUIDO BLANCO

a.
E t 0
b.
E t 2
2
c.
E t , 0
d.
secuencia
t
sigue
esta incorrelacionado en el tiempo decimos que la

un
proceso
de
ruido
E t , 0
puede ser sustituido con que
blanco,
eventualmente
es independiente
Se deben cumplir los cuatro supuestos anteriores para que exista ruido
blanco en el modelo.
e.
t : 0, 2
hacen un ruido blanco gaussiano.
Ahora si aparte de los cuatro supuestos anteriores se cumple que los

errores se distribuyen normal el ruido blanco ser gaussiano.
4.5. FUNCIN DE AUTOCORRELACIN
cov yt , yt k
var yt var yt k

La Paz - Bolivia
E yt yt k
2
2
E yt yt
E yt yt k
2
E yt
k
0
La autocorrelacin nos muestra el grado de interdependencia existente

en el interior del proceso estocstico como su nombre lo indica la
representacin
grafica de la funcin de autocorrelacin FAC se
denomina correlograma.
4.6. PROCESOS DE MEDIAS MVILES

MA (1)
t 1 t 1
t N 0, 2
Obteniendo la media:
E Yt E t 1 t 1
E Yt E E t E 1 t 1
E Yt
O E Yt t 1 t 1
2
O E t2 1 t 1 t 12 t21

La Paz - Bolivia
E t , t 0t r
S
O E t2 E 1 t 1 t E 12 t21
O 1 12 2
La autocovarianza:
K E Yt Yt 1
K E t 1 t 1 t 1 1 t 2
K E t t 1 1 t21 1 t t 2 12 t 1 t 2
K 1 1 2
K: muestra el orden de la funcin de autocovarianza:
1
1 12
EJEMPLO:
Sea el siguiente proceso estocstico
Yt t 0.8 t 1
E (Yt ) E t E 0.8 t 1
E (Yt ) 0
0 (1 12 ) 2
0=( 1+0.64 ) 2
0 1.64 2
K
O
O 1 K >1
Yt

La Paz - Bolivia
1 (1 ) 2
1 0.8 2
1
O
0.8
0.4878
1.64
CORRELOGRAMA
El
rpido
decrecimiento
demuestra
indicios
estocstico ser estacionario.
MA (q)
Yt t 1 t 1 2 t 2 ... q 2 q
t N (0, 2 )
Obteniendo la media:
E (Yt ) E ( t 1 t 1 2 t 2 ... q t q )
de
que
el
proceso

La Paz - Bolivia
E (Yt ) E ( ) E ( t ) E (1 t 1 ) E (2 t 2 )...E ( q t q )
E (Yt )
La varianza:
Var (Yt ) E (Yt ) 2 ( t 1 t 1 2 t 2 ... q t q ) 2
Yt t 1 t 1 2 t 2 ... q t q
Var (Yt ) E ( t2 1 t 1 t 2 t 2 t ... q t q t t 1 t t2 t21

21 t 1 t 2 ... q t q1 t 1 ... t q t 2 t 2 q t q ...
q2 q21 )
Sabemos que:
E t ,t 0
Var (Yt ) E ( t2 ) E (1 t 1 t ) E ( 2 t 2 t )... E ( q t q t )... E ( q t q t )
E ( 2 t 2 q t q )... E ( q2 q21 )
Var (Yt ) O (1 12 22 ... q2 ) 2
Obteniendo la covarianza:

La Paz - Bolivia
K E YT Y T K
K E t 1 t 1 2 t 2 ... q t q t k 1 t 1 K 2 t 2 K ... q t q K
t 1 t 1 2 t 2 ... k t k k 1 t k 1 k 2 t k 2 ... q t q
K E
( t k 1 t 1 k 2 t 2 k ... q k t q k ... q t q k )
k E ( t t k 1 t 1 t k 2 t 2 t K ... k t2 k k 1 t k 1 t k
K 2 t K 2 t K ... K q t K q t K ... q t q t K
K t 1 q t q k 2 t 2 q t q K ... K t K q t q k
K 1 t K 1 q t q K k 2 t K 2 q t q K ... q t q q t q k
k ( k 1 k 1 2k 2 ... q q k ) 2
Escribir un proceso MA (1) considerando los fundamentos tericos de
proceso MA
Yt t 1 t 1 t q
E (Yt )
O (1 12 ) 2
k (1 ) 2
O 1
k 0
k >1

La Paz - Bolivia
k
(1 ) 2
(1 )
2
2
o (1 1 )
(1 12 )
k 0
k >1
Un proceso MA (1) por las propiedades ya sealadas se sabe que cuando

el rezago es menor a 2 esta carece de memoria. Por lo tanto un proceso
MA (1) permite pronosticar un periodo adelante o uno atrs.
Para MA (2)
K ( K 1 K 1 2 k 2 ) 2
E (Yt )
O (1 12 22 ) 2
1 (1 1 2 ) 2
2 ( 2 ) 2
K 0
k >2
O 1
(1 1 2 )
(1 12 22 )
( 2 )
(1 12 22 )
k >2

La Paz - Bolivia
k 0
k >2
MA ( )
Retomando el proceso MA (q)
Podemos escribir el mismo:
a
Y j t j
j 0
Considerando que
j <1
MA()
MA( q )
j < j
Si esto es as
2
j
j 0
n 1
n 1
j 0

j 0
2
j
2j
2
j
j n
j n
2
j
n 1
< j
j 0
2
j
j n
Es absolutamente sumable

La Paz - Bolivia
2
j
j n
n 1
< j
j 0
2
j
<
j n
Recordando:
a
Yt j t j
j 0
Yt t 1 t 1 2 t 2 ... j t j
E (Yt )
E (Yt )2 ( t 1 t 2 t 2 ... j t j )2
T
0 2j 2
j 0
lim E ( Y t ) =( 0 + 1 + 2 ++ j )
Yt 0 t 1 t 1 2 t 2 ... j t j
Y tk =+ 0 t k + 1 t1k + 2 t 2k + + j t jk

La Paz - Bolivia
K E Yt Yt k cov(Yt 1 , Yt k )
K ( 0 t 1 2 t 2 ... j t j ) 0 t k 1 t 1 k 2 t 2 k ... j t j k
K ( 0 K 1 k 1 2 k 2 ... j k j ) 2
Cunta memoria tiene MA ( ?

Tiene memoria infinita
4.7. PROCESOS AUTORREGRESIVOS

Los procesos autorregresivos no son otra cosa que ecuaciones en
diferencia que a diferencia de los procesos de medias mviles las
capacidades de memorias de estos no dependern de la longitud del
rezago.
AR(1)
Yt c Yt 1 t
t N (0, 2 )
Yt 1 C Yt 2 t 1
Yt 2 C Yt 3 t 2
Yt 3 C Yt 4 t 3

La Paz - Bolivia
Yt c t (c t 1 ) 2 (c t 2 ) 3 (c t 3 ) ...
Yt c c 2 c 3c ... t t 1 2 t 2 3 t 3...
Yt
c
t t 1 2 t 2 3 t 3 ...
1
Yt
Yt t t 1 2 t 2 3 t 3 ...
1
1
Yt J t J
J 0
<1
Cov J J
J 0
<
J 0
J
J 0
J
J 0
1
1
E (Yt )
c
1

La Paz - Bolivia
E (Yt ) 2 ( t t 1 2 t 2 3 t 3 ...)( t t 1 2 t 2 3 t 3 ...)
0 t2 2 t 12 4 t 2 2 ...
0 2 (1 2 4 )
2
0
1 2
1 0
2 0
< 1
Retomando
Yt c Yt 1 t
E (Yt )
Var (Yt ) E (Yt ) 2
2
0
1 2
El proceso no es estacionario

La Paz - Bolivia
Retomando
E Yt (Yt )
Yt
c
t t 1 2 t 2 3 t 3 ...
1
Yt K
c
t K t 1 k 2 t 2 k 3 t 3k ...
1
E Yt (Yt k )
E ( t t 1 2 t 2 ... k t k k 1 t k 1 )
( t k t 1 k 2 t 2 k ...)
Yk E k t2k k 1 t2k 1 k 2 2 t2k 2 ...
Yk k E ( t2 k 2 t2 k 1 4 t2 k 2 ...)
k 2
k
1 2
k k
AR (2)
Yt c 1Yt 1 2Yt 2 t
Utilizando L (Operador de rezagos)

La Paz - Bolivia
Yt 1Yt 1 2Yt 2 c t
Yt 1 LYt 2 L2Yt c t
Yt (1 1 L 2 L2 ) c t
S (1 1 L 2 L2 ) 0
l1 , l2
Deben encontrarse fuera del crculo unitario para considerar que
existen indicios de estacionariedad del proceso.
E (Yt )
c
1
c (1 1 2 )
Yt 1 2 1Yt 1 2Yt 2 t
(Yt ) 1 (Yt 1 ) 2 (Yt 2 ) t Multiplicandopor (Yt )
(Yt ) 2 1 (Yt 1 )(Yt ) 2 (Yt 2 )(Yt ) t (Yt )
E (Yt ) 2 0 1 1 2 2 s2
0 1 1 2 2 s2
Retomando

La Paz - Bolivia
Yt 1 2 1Yt 1 2Yt 2 t
(Yt ) 1 (Yt 1 ) 2 (Yt 2 ) t Multiplicandopor (Yt k )
(Yt )(Yt k )
1 (Yt 1 )(Yt k ) 2 (Yt 2 )(Yt k )
t (Yt k )
k 1 k 1 2 k 2 E t1 (Yt 1k ) 1 (Yt 2 k ) t k
k 1 k 1 2 k 2
k
1 k 1 2 k 2
0
0
0
k 1 k 1 2 k 2
0 1 1 2 2 s2
Es posible:
1 0 1
2 0 2

La Paz - Bolivia
Pero:
De donde:
1 1 2 1
1 2 1 1
1
1
1 2
Tambin
2=1 1 + 2
2 1 ( 1 ) 2
1 2
2
12 2 22
1 2
Ahora
1
0
x 1 k 1 2 k 2
2
0

La Paz - Bolivia
0 1 1 2 2 s2
0 1 0 1 2 0 2 s2
1 2 22
1
2
0 1 0
2 0
S
1 2
1 2
2 (1 2 )
2 (1 2 )
0
(1 2 ) 12 (1 2 ) 22 (1 2 ) (1 2 )(1 22 ) 12 (1 2 )
AR (p)
Yt c 1Yt 1 2Yt 2 ... pYt p t
E (Yt )
c
1 1 2 ... p
C 1 2 ... pY
Yt 1 2 ... p 1Yt1 2Yt 2 ... pYT P t
(Yt ) 1 ( yt 1 )(Yt ) 2 (Yt 2 )(Yt ) ...

... p (Yt p )(Yt ) t (Yt )

La Paz - Bolivia
0 1 1 2 2 ... p p 2
k 1 k 2 k 2 ... p k p
4.8. PROCESOS MIXTOS ARMA (P, Q)

Yt c 1Yt 1 2Yt 2 ... pYt p t 1 t 1 2 t 2 ... q t q
Yt 1 LYt 2 L2Yt ... p LpYt p c t 1L t 2 L2 t ... q Lq t 9

Yt (1 1 L 2 L2 ... p Lp ) c t (1 1L 2 L2 ... q Lq )
( L)
Yt ( L) t
1 1 L 2 L2 ... q Lq
1 1 L 2 L2 ... P LP
<
j 0
E Yt
c
; c 1 2 ... p
1 1 2 ... p
(Yt ) 1 (Yt 1 ) 2 (Yt 2 ) ... p (Yt p ) t 1 t 1 2 t 2 ... q t q
k 1 k 1 2 k 2 ... p k p
k >q
k 1 k 1 2 k 2 ... p k p
Yt c 1Yt 1 2Yt 2 ... pYt p t 1 t 1 2 t 2 ... q t q

La Paz - Bolivia
C 1 2 ... p
c
1 1 2 ... p
(Yt ) 1 (Yt 1 ) 2 (Yt 2 ) ... p (Yt p ) t 1 t 1
2 t 2 ... q t q //(Yt )
(Yt ) 2 1 (Yt 1 )(Yt ) 2 (Yt 2 )(Yt ) ...
(Yt ) 2 1 (Yt 1 )(Yt ) 2 (Yt 2 )(Yt ) ...

Yt
1 Yt 1 Yt 2 Yt 2 Yt L p Yt p Yt t Yt 1 t 1 Yt 2 t 2 Yt L q t q Yt
0 2 1 1 2 2 L p p 2
2 2 1 12 2 2 L q 2
0 2 1 1 2 2 L p p 2
k 1 k 1 2 k 2 L p k p
k 1 k 1 2 k 2 L p k p
INVERTIBILIDAD
Retomando MA (1)
yt t 1 t 1
y t = + t + 1 t1
k
0

La Paz - Bolivia
yt t 1 1 L
yt
1 1 L t
yt
t
1 1 L
yt 1L 12 L2 13 L3 L
1 L
t
yt c 1 yt 1 2 yt 2 L
yt (1 1L 2 L2 )
Tema
N 5
ESTIMACIN POR MXIMA VEROSIMILITUD
5.1. Introduccin
AR 1
Retomando un proceso
1.
2.
, que tiene las siguientes caractersticas:
Yt c Yt 1 t
t : 0, 2
c, , 2
3.
Vector de parmetros estructurales
Para la primera observacin:

La Paz - Bolivia
Y1 c Y0 1
E Y1
c
1
Var Y1
2
1 2
t t
4.
5.
Ruido blanco Gaussiano

c
2
Y1 :
,
2
1 1
De esta forma la funcin de densidad es:

fY1 y1 , fY1 y1 , c, , 2
y1
fY1 y1 ,
2
2
1 2
1
*
2
2
1 2
Ahora consideremos la segunda observacin

Y2 c Y1 2
E Y2 c Y1
Var Y2 2
Y2 y2
condicionada a

La Paz - Bolivia
Y2 / Y1 y1 : c Y1 , 2
fY2 / Y1
y2 / y1 ,
2 2
1 y c 1 y1
* 2
2
2
Entonces la conjunta es:
fY2 ,Y1
y2 , y1 ;
fY2 / Y1
y2 / y1 ,
* fY1
y1 ,
De esta forma podemos escribir la densidad de la tercera observacin
fY3 / Y2Y1
y3 / y2 y1 ,
2 2
1 y c 1 y2
* 3
2
2
Ahora la conjunta:
fY3 ,Y2 ,Y1
y3 , y2 , y1 ;
fY3 / Y2Y1
y3 / y2 y1 ,
* fY2Y1 y2 y1 ,
De esta forma
fYt / YT 1 ,YT 2 ,K ,Y1
yt / yT 1 , yT 2 ,K , y1 ;
fYt / YT 1
yt / yT 1 ;
* fYT 1 ,YT 2 ,K ,Y1 yT 1 , yT 2 ,K , y1 ;
La Verosimilitud
fYT ,YT 1 ,YT 2 ,K ,Y1
yT , yT 1 , yT 2 ,K , y1 ;
l LogfY1
Retomando
y1 ;
fY1
y1 ,
fYt / YT 1
t 2
Log fYt / YT 1
t 2
yt / yT 1 ;
yt / yT 1 ;

La Paz - Bolivia
y1
fY1
y1 ;
1
*
2
2
2
1 2
1 2
*e
a)
fYt / YT 1
yt / yT 1 ;
b)
1
2
*e
1 y c yt 1
* 1
2
2
1
1
l Log 2 Log
2
2
c
y
1
2
1
Log
2
2
1
2
1 2
T
1 Log 2 2

2
t 2
c
y1
2
2

1
1
1
1
n 1
1 T y1 c yt 1
2
l Log 2 Log
Log 2
2
2
2
2
2
2
2 t 2
2
1
2
1
5.2. Estimacin Exacta
y1

y
YT *1 2
M

yT
Este vector que es una descripcin diferente para la funcin de

verosimilitud de una muestra de tamao T, para un proceso gaussiano
puede ser visto tambin como una simple realizacin T-dimensional de
un
proceso
continuacin.
gaussiano
cuyos
parmetros
pueden
denotarse

La Paz - Bolivia
E y1
y1

y
E y2
YT *1 2
M
M
yT
E yT
EY
T *1
Mismo que para AR (1)
c
1
Cuya matriz de varianzas y covarianzas

E Y Y Matriz de Varianzas y Covarianzas de Y
Y1
Y2
M
YT T *1
E Y1
E Y1 Y2
E Y Y
T
1
Y1
Y2 K
E Y1 Y2
E Y2
M
L
O
E YT Y2 L
Mismo que para un AR (1)
1K 2
K
1 12
YT
E Y1 YT
E Y2 YT
E YT

La Paz - Bolivia
1
1 1
2V ;V
2
M
M
1 1
T 1
T
1
1 2
1T 1
L 1T 2
O
M
L
1
Y : ,
Por lo que la densidad multivariante vendr dada por:
1
t
* Y 1 Y
1
*e 2
2
f Y y ;
fY
y ;
T
2
1
1 2
*e
1
t
* Y 1 Y
2
T
1
t
Log 2 * Y 1 Y
2
2
Presencia de no linealidades
, c, 2
La estimacin exacta por mxima verosimilitud es difcil y
complicada
La estimacin condicional resuelve el problema
Nos recuerda a MCO
Afortunadamente se aplica a un ARMA (p, q)

c
y1
2

1
1
1
1
l Log 2 Log
2
2
2
2
2
1
1 2
T
n 1 Log 2 2 1 y1 c yt 1
2
2 t 2
2

La Paz - Bolivia
5.3. Estimacin
condicional
por
mxima
verosimilitud
Una alternativa exacta de estimacin numrica de la funcin de
y1
verosimilitud es creer que los valores dados de
son determinsticos y
y1
maximizar la funcin de verosimilitud condicionada a
t T
fYt ,Yt 1 ,Yt 2 ,K ,Y2 / Y1
LogfYt ,Yt 1 ,Yt 2 ,K ,Y2 / Y1
yt , yt 1 , yt 2 ,K , y2 / y1 ;
fYt / Yt 1
t 2
yt , yt 1 , yt 2 ,K , y2 / y1 ;
T 1
1 T yt c yt 1
2
Log
2
2 t 2
2
Max l / c, Min yt c yt 1
2 yt c yt 1 1 0
c
t 1
yt c yt 1 0
2 yt c yt 1 yt 1 0
yt / yt 1 ;
yt yt 1 c yt 1 y t21 0
y
y
t 1
2
t 1
y
y y
t 1

La Paz - Bolivia
c$

$

yt 1
yt 1
yt21
y
y y
t 1
l
Para la varianza
T
t 1
2 2
y
t 2
c yt 1
2 4
En contraste con la estimacin exacta por mxima verosimilitud, la

estimacin condicional es trivial en el cmputo. Sin embargo en una
muestra completa de tamao T suficientemente grande el supuesto de
la primera observacin constante es despreciado como aporte al total
de la verosimilitud.
AR (p)
fYT ,YT 1 ,YT 2 ,K ,Y p1 ;Yp ,K ,Y1
yt , y p1 / y p ;
Tp
Tp
1 T y c yt 1
Log 2
Log 2 t
2
2
2 t 2
2

La Paz - Bolivia
TEMA N 6
MODELOS DE HETEROSCEDASTICIDAD CONDICIONAL
AUTOREGRESIVA GENERALIZADA
Heteroscedasticidad
Y X U
U N 0, 2 I
2
yt 1 2 x1t t t N 0,
Donde:
E UU t 2 I U N 0, 2 I
t 2 f
Condicional
Es posible que como la varianza no es constante se est moviendo en
funcin de alguna de las variables en el tiempo.
t / t 1 N (0, ht )
Donde:
ht L t2
n
L i Li 1 L1 2 L2 L n Ln
i 1
ht 1 t21 2 t2 2 L n t2 n t2
La varianza de los errores se encuentra condicionada a otras variables o
errores a travs del tiempo.
6.1. MODELO ARCH (modelo autoregresivo de heteroscedasticidad
condicionada)
Propuesto por Engle en 1982, toma la forma :
t 2 1 t21 2 t22 L q t2q

(1)

La Paz - Bolivia
Y X U
(2)5
Y X U
Ecuacin de la Media
yt 1 2 x1t t
Mediante esta expresin se busca calcular la varianza de los errores, que no
son iguales a travs del tiempo, lo que ocasionara homoscedasticidad en el
modelo, pero que varian producto de su estimacin con los residuos a travs
del tiempo, los residuos provienen de la estimacin de la ecuacin de la
media.
Segn Vilario (2001):
Rt t
Rt t
E Rt t2
2
La volatilidad de los errores explica el comportamiento de una accin.

Como en los modelos siempre existen residuos nos interesara saber cmo se
comportan y la volatilidad de los mismos, nos interesa modelar la
incertidumbre en funcin de los errores y la informacin del pasado.
6.2. MODELO GARCH (modelo autoregresivo generalizado de
heteroscedasticidad condicionada)
Bollerslev (1986) escribe el proceso ARCH de manera generalizada

proponiendo as, el modelo GARCH
t / t 1 N 0, ht
ht ( L ) t 2 ( L)ht
( L) i 1 i Li
q
ht t2 1 t21 2 t2 2 L p t2 p 1 t21 2 t2 2 L q t2q

1 4 4 4 4 4 2 4 4 4 4 43 1 4 4 4 44 2 4 4 4 4 43
ARCH
5 Modelo lineal general
Generalizado

La Paz - Bolivia
Modelo GARCH (p,q) donde:
P = Orden autoregresivo del modelo GARCH
Q = Orden autoregresivo de la media del proceso GARC
No solo debemos ver el correlograma de los residuos, que deben estar
incorrelacionados, adems debemos ver tambin el correlograma de los
residuos al cuadrado, donde si estos se comportan como ruido blanco no
podemos utilizarlos como un modelo GARCH.
yt t
ht ( L) t 2 ( L)ht
Deberamos esperar entonces que nuestros parmetros cumplan lo siguiente:
0
0 1
0 1
0
Si
entonces la varianza sera explosiva, estaramos en el borde del
crculo unitario lo que ocasionara problemas de no estacionariedad, entonces
1
se busca tambin que se cumpla:
Omega siempre va a ser un porcentaje de la varianza de largo plazo:
var L
yt t Et t21

La Paz - Bolivia
TEMA
N 7
VECTORES AUTOREGRESIVOS
7.1. INTRODUCCIN
Los vectores autorregresivos VAR son procesos vectoriales, donde estos
vectores pueden estar compuestos por un conjunto de variables, las
cuales estn representadas en el dominio del tiempo. A diferencia de los
modelos univariados estos presentan en su estructura vectorial la
esencia
multivariante;
pero
sin
embargo
la
representacin
autorregresiva es similar a la de los modelos univariados representados

a travs de un proceso ARP.
r
V Pt , Pt * , Et
MU Yt c 1Yt 1 L pYt p t
1 4 4 4 4 4 2 4 4 4 4 43
AR ( p )
Yt c 1Yt 1 L pYt p t
Dado:

La Paz - Bolivia
C: n*1
j =matriz de coeficientes autorregresivos n*n
Et =matriz de los errores n*1
Entonces: los parmetros que estudiamos carecen de interpretacin
econmica:
Yt c 1Yt 1 L pYt p t
Supuestos:
E ( t ) 0
t T
t 0
E ( t , )
Para la primera observacin:

1
1
2
2
Y1,t c 1,1
Y1,t 1 1,2
Y2,t 1 L 1,1 pYp,t 1 1,1
Y1,t 2 1,2
Y2,t 2 L 1,2 pYp ,t 2
p
L 1,1p Y1,t p 1,2
Y2,t p L 1,ppYp ,t p
7.2. OBJETIVO
VAR existen
Cada variable
var iables
observaciones
h 1 p
h rezagos

La Paz - Bolivia
i j
hi
j h
Yt c 1Yt 1 2Yt 2 3Yt 3 ... pYt p t

(1)
E Yt c 1 2 ... p
c
1 1 2 ... p
Q t
0 t
E Yt Yt
Ya que:
0 0 ... 0
0 ... ... ... 0
Q 0 ... ... ... ...
... ... ... ... ...

0 0 ... ... 0
Vemos que
(Yt ) 1 (Yt 1 ) 2 (Yt 2 ) 3 (Yt 3 ) ... p (Yt p ) t

(2)
(2) en trminos matriciales

La Paz - Bolivia
1 2 .... p 1 p
0 ....
0
0
I
0
0
0
I ....
...
... ... ... ....
...
Yt ( p 1)
0
0 ... ...
I
Yt
Y
t 1
Yt 2
Y t 1
Y t 2
Y t 3
M
Y t p
t

0
...

...
0
t F Vt
t F t 1 Vt
Para
t+1
t 1 F t Vt 1 t 1 F F t 1 Vt Vt 1
t 1 F 2 t 1 FVt Vt 1
Para
t+2
t 2 F t 1 Vt 2 t 2 F F 2 t 1 FVt Vt 1 Vt 2
t 2 F t 1 F Vt FVt 1 Vt 2
3
Para
t+s
t s F s 1 t 1 F sVt F s 1Vt 1 .... FVt s 1 Vt s

VAR (1)
Y y, z
Yt b10 b12 z t 11 y t 1 12 z t 1 ty
z t b20 b21 yt 21 y t 1 22 z t 1 tz
(1)
(2)

La Paz - Bolivia
Yt b12 z t b10 11 y t 1 12 z t 1 ty
(1`)
b21 yt z t b20 21 y t 1 22 z t 1 tz
1
b
21
b12 y t
12
b
10 11
1 zt
b20 21 22
yt
1
z b
21
t
b12
b10 1
b b
20 21
(2`)
y t 1 ty
z z
t 1 t
b12
11
21
12
22
(I)
y t 1 1
z b
t 1 21
y t , z t endogenas
b12 0
Es dinamico
Existe simultaneidad
b21 0
7.3. SUPUESTOS
1 b12
A0 B 0
b21 1
1 b12
A1 B 1
b21 1
y
1 t
t B z
t
1
b10
b
20
11 12
21 22
Entonces:
yt
a10 a11
z a a
t
20 21
a12 y t 1 ty

a 22 z t 1 zt
(II)
b12
1
ty
z
t
(I`)

La Paz - Bolivia
Conteo de incgnitas en (II)

a10 , a 20 , a11 , a12 , a 21 , a 22 , 21 , 22 , 21 ,2
Conteo de incgnitas no conocidas
b10 , b20 , b11 , b12 , b21 , b22 , 11 , 21 , 12 , 22 , ty , tz

Yt b10 b12 z t 11 y t 1 12 z t 1 ty
z t b20 b21 yt 21 y t 1 22 z t 1 tz
Para evitar el problema de simultaneidad es vital imponer restricciones
Yt
b20 1
z t 21 y t 1 22 z t 1 tz
b21 b21
b21
b21
z t a0 a1 z t a 2 y t 1 a3 z t 1 tz
En b12, b21cero
Si b21=0
Yt b10 b12 z t 11 y t 1 12 z t 1 ty
z t b20
Existe dinmica
Tenemos parmetros conocidos
21 y t 1 22 z t 1 tz

La Paz - Bolivia
a10 b10 b12 b20

a 20 b20
a11 11 b12b20
a12 12 b12b20
a 21 21
a 22 22
21 y2 B12 z2
22 z2
1 , 2 B12 z2
Esta forma de descomposicin o de identificacin se denomina
descomposicin de Cholesky (volver a la forma primitiva de la reducida)
si b12 =0, se tendr otra expresin de la forma reducida, por lo que, el
proceso de identificacin es arbitrario.
Como se haba mencionado anteriormente el desarrollo del VAR
(observada hasta el momento) carece de fundamentos de teora
econmica. Al respecto existen criterios buenos y malos de incorporar
ceros en el VAR, esta metodologa se denomina VARs.
Tambin se desarrollo en el VAR un proceso de identificacin con efectos
no contemporneos sino acumulados de shocks sobre la variable
BLANCHARD QUAH.
7.4. EXOGENEIDAD
Engle (1983) define un conjunto de variables
Xt
en un modelo como
dbilmente exogenas si el modelo de forma completa puede expresarse

en terminos de una distribucin de probabilidad marginal para
una distribucin de probabilidad condicional para
Yt
Xt
talque la
estimacin de los parmetros de la distribucin condicional no sea

La Paz - Bolivia
menos eficiente que la estimacin del conjunto de todos los parmetros

de la forma conjunta. Dicho de otra forma si ninguno de los parmetros
de la distribucin condicional aparece en la distribucin marginal
Xt
Si
Xt
Xt
es dbilmente exgena)
Xt
Yt
es dbilmente exogena pero ademas
entonces
Xt
no causa, Granger a
. Es fuertemente exgena.
E X t / X t 1 , X t 2 ,K , X t n , Yt 1 ,K , Yt n E X t / X t 1
E X t / t E X t / X t 1
Los rezagos distintos de
Xt
distintos al periodo precedente y los
rezagos de otras variables en cuestin no contienen informacin til

para pronosticar la media condicional de
Xt
f X t / X t 1 f X t , X t 1 , Yt , Yt 1
Yt : Exgeneidad Dbil
Yt , Yt 1 : Exgeneidad Fuerte
7.5. CAUSALIDAD DE GRANGER

El concepto de causalidad en el sentido de Granger hace referencia a la
precedencia temporal desde cualquier punto de vista es netamente
estadstico de una variable hacia otra. La cual no debe interpretarse en
el sentido estricto o econmico.

La Paz - Bolivia
Si se indica que
que
Yt
causa en el sentido de Granger a
quiere decir
y sus rezagos contienen informacin til para pronosticar
Xt
.
Sea:
Y Y, X
Entonces existen 2 escenarios:

no causa Granger
H0 : Y
a)
causa Granger
H1 : Y
no causa Granger
H0 : X
b)
causa Granger
H1 : X
H0
i)
Si acepto
en ambos independencia temporal en el Tiempo

H0
ii)
Si rechazo
en ambos, existe Bidireccional
H0
iii)
a) R/
H0
y b) A/
Y ----------- X
H0
iv)
a) A/
H0
y b) R/
X-----------
111 121
xt
c1
y c 1
1
2
t
21 22
x t 1
y t 1
112 122 xt 2
11p 12p xt p
L p p
2 2
21 22 yt p
21 22 yt 2
1t

2t

La Paz - Bolivia
1
xt c1 11
xt 1 112 xt 2 K 11p xt p 1t
xt c1 111 L 112 L2 K 11p Lp xt 1t

xt c1 11 L xt 1t
i
i
11
( L) 12
( L) xt 1t
xt
c1
i

y
c
i
(
L
)
(
L
)
2
t
21
22
yt 2t
a) Causalidad en el sentido de Sims

Yt c i zt i i zt i t
Si
, seria una causalidad Granger
b) Causalidad Geweky Dent, Musc
Yt c i zt i i zt i i yt i t
7.6. FUNCION DE IMPULSO RESPUESTA

Recordar:
Y1 c 1t c t 1Yt 1
Yt 1 c t 1 1Yt 2
Yt c t 1Yt 1
Yt 1 c t 1 1Yt 2

La Paz - Bolivia
Yt 2 c t 2 1Yt 3
Por lo tanto:
Yt c t 1 c t 1 1Yt 2
Yt c t 1 c t 1 12 c t 2 1Yt 3
Yt c 1 1 12 13 K t 1Yt 1 12t 2 K
Yt
c
t 1Yt 1 12t 2 K
1 1
Yt t 1Yt 1 12 t 2 K
Entonces:
Yt c Yt 1 Yt 2 K t
VMA Yt t 1t 1 2 t 2 K
Yt s
s Matriz de impactos
t
Esta matriz de impactos muestra el efecto de un incremento unitario en
la innovacin de la j-sima variable en

Retomando:
Yt s

La Paz - Bolivia
Yt b10 b12 zt 11 zt 1 tY
zt b20 b21 yt 21 yt 1 22 zt 1 tz
1 b12 Yt b10
b

11 1 z t b 20
11 12 Yt 1 tY
1 b12

z z // b 1
21
22 t 1 t
11
BX t 0 1 X t 1 t // B 1
tY
1 b12
b10
11 12
B
;
; 0 b ; 1

22 t tz
b21 1
21
20
B 1 BX t B 1 0 B 11 X t 1 B 1t
X t A0 A1 X t 1 l t
aio : i-esimo elemento de A0
aij : elemento de la i-esima fila y j-esima columna de A1
it : elemento i-esimo del vector l t

Y t
z
t
a 10
a11
a a
20 21
1
t
a 12 Yt 1 l 1t

a 22 zt 1 l 2t
, l 2t f tY , tz
l t B 1 t

La Paz - Bolivia
En forma desglosada:
1
t
2
t
b12
1
b
1
21
1 b12b21
tY
t
l 1t
1
tY b12 tz
1 b12b21
l 2t
1
tz b21 tY
1 b12 b21
tY , tz
Ruido Blanco
l 1t , l 2t
lo son?
a ) (l1t )
1
y
(
b21 z ) 0
t
t
1 b12b21
b) (l1t 2 )
1
(1 b12b21 ) 2
( 2
b2 2 )
y, t
12 z , t
1
y
y
c ) (l ; l
)
[(
b t )(
b z
)] 0
1t 1, t i
t
12
z
t
1
12 t i
2
(1 b12b 21)
2
y

yz
2

z
zy
Retomando:

La Paz - Bolivia
Yt a10
a

11
Z a a
20
21
t
l
a Y
1 t
12 t
a Z l 2
22

t 1 t
X t A0 A1 X t 1 lt
X t 1 A0 A1 X t 2 lt 1
X t 2 A0 A1 X t 3 lt 2
Entonces:
X t A0 A1 ( A0 A1 X t 2 lt 1 ) lt
X t A0 A1 A0 A12 X t 2 A1lt 1lt

Aplicando:
X t 2
X t A0 A0 A1 A12 ( A0 A1 X t 3 lt 2 ) A1lt 1 lt
X t A0 A0 A1 A12 A0 A21 X t 3 A12lt 2 ) A1lt 1 A1lt 1 lt

Entonces:
n 1
1
X t A0 (1 A1 ..... A ) A
n
X t ( n 1)
Al
i 0
i
1 t i

La Paz - Bolivia
Xt
i 0
A1i lt i
Ahora en trminos matriciales:

Y
n
Y
t
Z
i 0
Z
t
a
11
a
21
a
12
a
22
lt1i
2
lt i
Pero sabemos:
lt1i
1
1 b12b21
lt i
21
y
b
12 t
Entonces:
Y
n
Y
1
t
Z Z
1 b12b21 i 0
t
a
11
a
21
a
1
12
a b
22
21
Simplificando:
1
1
i
Ai
b
1 b12b21
21
b
12
1
Entonces:
Y
n
Y
t

Z Z
i 0
t
n

11
21
X t i t i
i 0

12

22
tyi
z
t i
b
12
1
tyi
z
t i

La Paz - Bolivia
7.7. Funcin de impulso respuesta

(i ) (i )
12
11
(i ) (i)
21
22
j ,k (0)
Multiplicador de impacto
7.8. Descomposicin del error de pronstico

de la varianza
X t A0 A1 X t 1 lt
(1)
X t 1 A0 A1 X t 2 lt 1
t [ X t 1 ] A0 A1 X t t [lt 1 ]
(3)
X t 1 t [ X t 1 ] A0 A1 X t lt 1 ( A0 A1 X )
De esta forma:
X t 1 t [ X t 1 ] lt 1
El error de pronostico va a ser puramente aleatorio (error de X)
Ampliando:
X t 2 A0 A1 X t 1 lt 2
X t 2 A0 A1[ A0 A1 X t lt 1 ] lt 2
(4)

La Paz - Bolivia
X t 2 A0 (1 A1 ) A21 X t A1lt 1 ] lt 2
De esta forma:
X t 2 t [ X t 2 ] A1lt 1 ] lt 2
Generalizando:
X t n t [ X t n ] lt n A1lt n 1 A12lt n 2 .... A1n 1lt 1

Mientras ms grande es el tiempo de pronstico mayor es el error
(errores aleatorios)
Retomamos:
Xt
X t n
i 0
i 0
i t 1
i t n i
t [ X t n ]
De esta forma:
X t n t [ X t n ]
Retomando:
i 0
i t n i

La Paz - Bolivia
Y
n
c1
t
Z c2
i 0
t
Yt Y
i 0

11
21
[11 (i )] ty1

12

22
n
i 0
tyi
z
t i
[12 (i )] tz1
Primera ecuacin:
Yt Y 11 (0) ty1 11 (1) ty1 ... 11 ( n) ty1

12 (0) tz1 12 (1) tz1 ... 12 ( n) tz1
Yt n t [Yt n ] 11 (0) ty1 11 (1) ty1 ... 11 ( n) ty1
12 (0) tz1 12 (1) tz1 ... 12 ( n) tz1
Escribiendo el error de pronostico n-pasos delante de la varianza
y( n ) y2 11 (0) ty1 11 (1) ty1 ... 11 ( n) ty1

2
12 (0) tz1 12 (1) tz1 ... 12 ( n) tz1
7.9. Estacionariedad e integrabilidad

A) Dickey-Fuller (1976-1979)
Yt
: I d
Yt 1Yt 1 t

La Paz - Bolivia
2
1 12
1 1
Si:
Es decir que si es igual a la unidad la varianza es explosiva.
1.
Yt 1Yt 1 t // Yt 1
Y Yt 1t 1Yt 1 Yt 1 t
Yt 1 1 Yt 1 t
2.
3.
1 1
Cambio de variable:
Yt Yt 1 t
0 1 1; 0 yt : I d
Si
Yt Yt 1 t
{
Drift
i.
ii.
iii.
Yt a0
{
Yt 1 t
Cons tan te
Tendencia
}
Yt a0 a2 t Yt 1 t
1 4 2 43
Deter min istico
d 1 Yt : I 1
d 2 Yt : I 2
H 0 : 0 No Estacionario : I d d 0
H1 : 0 Estacionario : I d d 0 Yt : I 0

La Paz - Bolivia
Yt a1Yt 1 t
H 0 : a1 1 No estacionaria
H1 : a1 1 Estacionaria
p 1
Yt Yt 1 i Yt 1 t
i 1
i.
p 1
Yt a0 Yt 1 i Yt 1 t
i 1
ii.
Yt a0 a2t Yt 1
p 1
Y
i
t 1
14 2 43
i 1
Longitud ptima del

Rezago
iii.
No estacionario es decir que los shocks aleatorios no desaparecen en el
tiempo son acumulativos.
T
Yt Yt 1 t i
i o
p 1
Yt a0 a2t Yt 1 i Yt 1 t
1.
i 1
H 0 : a2 0
H0 : 0
H1 : 0
H1 : a2 0
H 0 : a2 0 No tendencia(a2 )
Si se acepta

La Paz - Bolivia
p 1
Yt a0 Yt 1 i Yt 1 t
i 1
2.
Rechazar 0
H 0 : a2 0; a0 0
Aceptar 1
H1 : a2 0; a0 0
Existe tendencia, entonces existe Drift

H 0 : a0 0
H0 : 0
H1 : 0
H1 : a0 0
H 0 : a2 0
Si se acepta
p 1
H0 : 0
H1 : 0
Yt Yt 1 i Yt 1 t
i 1
3.
T
:
s
Ta0
a0
:
sa0
Ta2
a2
:
sa2
En presencia de races unitarias la distribucin, ni los estadsticos son

significativos debido a que se genera un sesgo.

La Paz - Bolivia
Ty : ( Mackinnon)
1)
2)
Ta0 ; Ta2 Ta0 DF ; Ta2 DF
Yt : I 1
H0 : 0
Yt : I 2
Si se acepta
Yt Yt
2Yt Yt
p 1
2Yt Yt 1 i 2Yt 1 t (*)

i 1
I.
p 1
Y a0 Yt 1 i 2Yt 1 t
2
i 1
II.
p 1
2Y a0 a2t Yt 1 i 2Yt 1 t
i 1
III.
Yt : I (0) Yt : I (1)
H0 : 0
Si se acepta
en (*)
p 1
2Yt Yt 1 i 2Yt 1 t (*)
I.
i 1
p 1
2Y a0 Yt 1 i 2Yt 1 t
II.
i 1
p 1
2Y a0 a2t Yt 1 i 2Yt 1 t
III.
i 1

La Paz - Bolivia
7.10.
COINTEGRACIN
Yt X t U t
1.
U t Yt X t
2.
Yt : I (1)
X t : I (1)
U t : I (2)
Si
Yt X t
Yt : I (1)
Yt : I (1)
X t : I (2)
X t : I (0)
U t : I (2)
U t : I (1)
? Relacin esprea
La cointegracin implica la presencia de una relacin estable y dinmica

de equilibrio a largo plazo.
De 2.
U t Yt X t
U t : I (0)

La Paz - Bolivia
Yt X t
B 1 B
Vector de Cointegracin
EJEMPLO:
MV PT
MV P * ET
.
m v * E y
.
m v * y
* E
P P* E
I (1); I (1); I (1)
Normalizando:
a)
P P* E 0 //(1)
0 P* E P
e P* E P
P P* E 0 //(1)
P P* E

La Paz - Bolivia
En un mismo modelo pueden existir varias relaciones de cointegracin.

X Y X 0
t
Y X
t
7.11.
Vector de cointegracin
Error de equilibrio
MODELO CORRECTOR DE ERRORES
Ante desequilibrio de corto plazo ante una relacin de largo plazo, la

pregunta a saber es cuanto de estos errores se corrigen en el corto
plazo, tal magnitud no las proporcionar el denominado factor de ajuste.

Cuaderno Econometría I y II

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Cuaderno Econometría I y II

Încărcat de

Drepturi de autor:

Formate disponibile

Escuela Militar de Ingeniera

Escuela Militar de Ingeniera

Lic. Rubn Aguilar Cruz

Escuela Militar de Ingeniera

MODELOS DE ECUACIONES SIMULTNEAS

En un modelo de ecuaciones simultneas, todas las variables endgenas

Elementos clave para entender los vectores auto regresivos (VAR)

Conocer la dinmica de sistemas de ecuaciones-estimacin e

Fuertemente Exogena.- Si tampoco los rezagos de Y explixcan

Escuela Militar de Ingeniera

Super Exogena.- Si el vector de parmetros asociados a X son

Problema con el mtodo de estimacin

hs es la oferta laboral en el agro en horas promedio al ao.

LA ECUACION ES ESTRUCTURAL PORQUE ES DERIVABLE Y existe una relacin

como cambia la oferta laboral cuando cambia el salario

Escuela Militar de Ingeniera

No se puede estimar por MCO porque existira sesgo.

endgenas en funcin a las variables exgenas.4

Los MES Modelos de Ecuaciones Simultaneas a diferencia de los modelos

Escuela Militar de Ingeniera

11 y1t 12 y2t L 1g y gt 11 x1t 12 x2t L 1k xkt 1t

21 y1t 22 y2t L 2 g y gt 21 x2t 22 x2t L 2 k xkt 2t

31 y1t 32 y2t L 3 g y gt 31 x1t 32 x3t L 3k xkt 3t

Expresin matricial de la forma estructural de los modelos de ecuaciones

: es una matriz de tamao G*G de parmetros de las variables endgenas

: es una matriz de tamao G*K de los parmetros de la variable

: es un vector de tamao G*1 de shocks aleatorios.

Escuela Militar de Ingeniera

Escuela Militar de Ingeniera

Keneddy (1997).- Los parmetros asociados de la forma reducida son los

Realizar pronsticos de variables endgenas individualmente

Recuperar los parmetros de la forma estructural

parmetros de las ecuaciones originales (los parmetros estructurales),

Existen dos problemas de estimacin:

Escuela Militar de Ingeniera

Escuela Militar de Ingeniera

Escuela Militar de Ingeniera

se dispara, la funcin consumo tambin es

afectada por esta, por lo tanto el ingreso tambin crece, haciendo un

Escuela Militar de Ingeniera

, entonces introduciendo en la ecuacin tenemos:

Por lo tanto tenemos, el siguiente sistema de la forma reducida:

Escuela Militar de Ingeniera

Escuela Militar de Ingeniera

Estimacin por mnimos cuadrados ordinarios (MCO)

Genera un problema de sesgo

Escuela Militar de Ingeniera

Escuela Militar de Ingeniera

Escuela Militar de Ingeniera

, para ver si el MCO es un mtodo eficiente,

Con un comn denominador, y una posterior simplificacin tenemos:

Escuela Militar de Ingeniera

Se conocer las caractersticas de

para ver si cumple las

Estimacin por mnimos cuadrados indirectos (MCI)

Escuela Militar de Ingeniera

Escuela Militar de Ingeniera

Si son iguales y pasa lo mismo con

Escuela Militar de Ingeniera

Escuela Militar de Ingeniera

proceden de estimadores insesgados de la

forma reducida pero no de la forma estructural, pero ahora si son

Estimacin por el mtodo mnimos cuadrados de dos

estan correlacionado, por lo tanto utilizar MCO seria muy