Documente Academic
Documente Profesional
Documente Cultură
La Paz - Bolivia
- Bolivia
TEMA
N 1
Introduccin
Ct = + Yt + Ut
3
Yt = Ct + Zt
I.2.
SISTEMA
DE
ECUACION
Objetivos
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 +
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:
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
1
dh
ln h
ht t
=
ln w t 1
d wt
wt
s
t
d ht
h
d wt t
= 1
wt
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
(gaby)
3 Peter Kenedy
4 Hamilton (1994)
Y 1 t= 12 Y 2t + 11 X 1 t + 1 2 X 2 t + 1 t
Y2t 21Y1t 23 X 3t 2t
(2)
Generalizando:
(1)
Y X U
Dnde:
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
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
Y X U
Yt 1X t 1t
Yt X t vt
Problema
de
identificacin.-
Cuando
no
es
posible
estimar
los
Ejemplo
Determinar la forma estructural y la forma reducida del siguiente modelo de
ecuaciones estructurales.
Sea el modelo
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
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)
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
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:
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
yt 1 2 I t v1
yt 3 4 I t v2
Donde:
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
Ct
4)
zt
t
1 1
1
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
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
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):
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)
El objetivo es la estimacin de
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
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
Lim
m z , z 2 m z , z 2
mz,z
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:
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
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
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
(1)
mc , z
my , z
ymz , z zmc , z mz , z
mz , z
my , z
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
Los estimadores
Ct byt t
Yt Ct zt
ut , Y t
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
Yt yt t *
Primera Etapa
Y f z
Yt 1 2 zt t *
ut ,
Yt
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
Y^t
Zt
ut
Z t : Propiedad de MCO
Y^t
Zt
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
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
(1)
Ct yt zt vt
(2)
n 0
v2 2
ct* t * yt
Ct yt t 2
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:
El estimador ser:
mcz
myz
I.6.
Identificacin
Qtd Pt td
0 0
Qts Pt ts
a partir de la forma
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.
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
Yt X t Vt
En la que existan:
G: Variables endgenas
K: Variables exgenos
Gi
ecuacin.
Gi
Ki
i -esima ecuacin
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
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)
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:
yt
Wt
Ordenando:
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
Ecuacin 1
K i** Wt 1
Gi QTd 1 ; Pt1 ; Pt1 3
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 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
R K i** , Gi G 1
Ecuacin 1
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
1 1 3 0
R 1 1 0 4 4
0 0
1
3
4 4 1 4 3
Ecuacin Sobreidentificada
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
Mtodos sistmicos
I.7.
1 y t 1 xt 1t
Donde:
1 : Es la 1 fila de
1 : Es la 1 fila de
11 1
y1t L 1G yG t 11 x1t L 1K* y K *t 1t
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 *
y1 Y2 2t X * 1*t 1 //( X ) t
Donde:
X X * X **
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
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
X t y1 X t z11 X t 1
Entonces para
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
X t y1 X t z11 X t 1
, seria:
1
1 z1t X X t X X ' z
z1t X X t X
X t yt // MC 2 E
X t y1 X t z11 X t 1
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
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
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
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 Ft 1 Vt
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
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
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
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
y1 , y2 ,K
, yT
K , y2 , y1 , y0 , y1 , y2 ,K
14 2 43
Observacin
yt
xt t
yt t
yt xt 1
xt t
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
Ejemplo
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
yt t
serie de tiempo
3.3.
1
2
1 aL bL K M2 1
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
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)
Ejemplo:
sea:
yt : y1 , y2 ,K , yt
t : 1 , 2 ,K , t
t : 0, 2
t
esta idnticamente e independientemente distribuida (iid)
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
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
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
j i
formado por
I
t
K X t 1
yt
ltimas observaciones de
y
realizacin de
. Pensemos en cada
X t 1
la cual es generada por un valor particular de
yt , yt 1 ,K , yt T
distribucin conjunta de
jt
cual llamaremos
jt lim
I
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)
E yt j
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.
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
4.2.1. ERGODICIDAD
Cuando la media de la serie de tiempo converge en probabilidades a
E YT
cuando
j 0
equivalente
que
la
funcin
de
autocovarianzas
sea
j0
absolutamente sumable
a.
E t 0
b.
E t 2
2
c.
E t , 0
d.
secuencia
t
sigue
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
cov yt , yt k
var yt var yt k
E yt yt k
2
2
E yt yt
E yt yt k
2
E yt
k
0
denomina correlograma.
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
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
1 (1 ) 2
1 0.8 2
1
O
0.8
0.4878
1.64
CORRELOGRAMA
El
rpido
decrecimiento
demuestra
indicios
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
E (Yt ) E ( ) E ( t ) E (1 t 1 ) E (2 t 2 )...E ( q t q )
E (Yt )
La varianza:
Yt t 1 t 1 2 t 2 ... q t q
q2 q21 )
Sabemos que:
E t ,t 0
E ( 2 t 2 q t q )... E ( q2 q21 )
Obteniendo la covarianza:
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
k
(1 ) 2
(1 )
2
2
o (1 1 )
(1 12 )
k 0
k >1
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
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
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
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
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
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
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 )
2
0
1 2
El proceso no es estacionario
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
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
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
Yt 1 2 1Yt 1 2Yt 2 t
(Yt ) 1 (Yt 1 ) 2 (Yt 2 ) t Multiplicandopor (Yt k )
(Yt )(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
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
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)
E (Yt )
c
1 1 2 ... p
C 1 2 ... pY
0 1 1 2 2 ... p p 2
k 1 k 2 k 2 ... p k p
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
k 1 k 1 2 k 2 ... p k p
k >q
k 1 k 1 2 k 2 ... p k p
C 1 2 ... p
c
1 1 2 ... p
2 t 2 ... q t q //(Yt )
(Yt ) 2 1 (Yt 1 )(Yt ) 2 (Yt 2 )(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
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.
Yt c Yt 1 t
t : 0, 2
c, , 2
3.
Y1 c Y0 1
E Y1
c
1
Var Y1
2
1 2
t t
4.
5.
y1
fY1 y1 ,
2
2
1 2
1
*
2
2
1 2
E Y2 c Y1
Var Y2 2
Y2 y2
condicionada a
Y2 / Y1 y1 : c Y1 , 2
fY2 / Y1
y2 / y1 ,
2 2
1 y c 1 y1
* 2
2
2
fY2 ,Y1
y2 , y1 ;
fY2 / Y1
y2 / y1 ,
* fY1
y1 ,
fY3 / Y2Y1
y3 / y2 y1 ,
2 2
1 y c 1 y2
* 3
2
2
Ahora la conjunta:
y3 , y2 , y1 ;
fY3 / Y2Y1
y3 / y2 y1 ,
* fY2Y1 y2 y1 ,
De esta forma
yt / yT 1 , yT 2 ,K , y1 ;
fYt / YT 1
yt / yT 1 ;
La Verosimilitud
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 ;
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
y1
y
YT *1 2
M
yT
proceso
continuacin.
gaussiano
cuyos
parmetros
pueden
denotarse
E y1
y1
y
E y2
YT *1 2
M
M
yT
E yT
EY
T *1
Mismo que para AR (1)
c
1
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
1K 2
K
1 12
YT
E Y1 YT
E Y2 YT
E YT
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
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
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
t T
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
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
yt , y p1 / y p ;
Tp
Tp
1 T y c yt 1
Log 2
Log 2 t
2
2
2 t 2
2
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 :
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
t / t 1 N 0, ht
ht ( L ) t 2 ( L)ht
( L) i 1 i Li
q
Generalizado
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:
var L
yt t Et t21
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
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:
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 , )
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
i j
hi
j h
c
1 1 2 ... p
Q t
0 t
E Yt Yt
Ya que:
0 0 ... 0
0 ... ... ... 0
Vemos que
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
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)
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`)
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
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
Yt
Xt
talque la
Si
Xt
Xt
es dbilmente exgena)
Xt
Yt
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
Xt
Xt
f X t / X t 1 f X t , X t 1 , Yt , Yt 1
Yt : Exgeneidad Dbil
Yt , Yt 1 : Exgeneidad Fuerte
Si se indica que
que
Yt
quiere decir
Xt
.
Sea:
Y Y, X
H0 : Y
a)
causa Granger
H1 : Y
no causa Granger
H0 : X
b)
causa Granger
H1 : X
H0
i)
Si acepto
ii)
Si rechazo
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
i
y
c
i
(
L
)
(
L
)
2
t
21
22
yt 2t
Si
Yt c i zt i i zt i i yt i t
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
Yt s
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
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
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:
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 2
X t A0 A0 A1 A12 ( A0 A1 X t 3 lt 2 ) A1lt 1 lt
X t A0 (1 A1 ..... A ) A
n
X t ( n 1)
Al
i 0
i
1 t i
Xt
i 0
A1i lt i
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
j ,k (0)
Multiplicador de impacto
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)
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:
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
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
: I d
Yt 1Yt 1 t
2
1 12
1 1
Si:
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
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
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
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
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
Ty : ( Mackinnon)
1)
2)
Yt : I 1
H0 : 0
Yt : I 2
Si se acepta
Yt Yt
2Yt Yt
p 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
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
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
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
Y X
t
7.11.
Vector de cointegracin
Error de equilibrio