Documente Academic
Documente Profesional
Documente Cultură
1)
Debo ver si las tres series son raz unitaria (deben comprobar que las series sean
razi unitaria haciendo uso de la metodologa de anlisis de ADF secuencial o
alguna otra prueba de raz unitaria que hemos visto en el curso).
2)
Una vez que se comprueba que cada una de las variables que vamos a usar es
RU, procedemos a construir la relacin de largo plazo (recuerden que lo que
queremos estimar es una modelo para la demanda de dinero):
Equation largo_plazo.ls lcirsa_r c lpbir tipmn_n
Coefficient
Std. Error
t-Statistic
Prob.
LPBIR
TIPMN_N
C
1.182263
-0.608048
-7.135693
0.077130
0.241489
0.712965
15.32812
-2.517909
-10.00848
0.0000
0.0138
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.768035
0.762308
0.032427
0.085174
170.3521
134.0954
0.000000
3.649788
0.066512
-3.984573
-3.897758
-3.949674
1.063814
3)
Recordemos que podemos estimar la ecuacin de largo plazo con MCO, a pesar
de tener variables I(1) porque di dichas variables cointegan los estimadores MCO
son superconsistentes.
4)
Dado que MCO es vlido en la ecuacin de largo plazo, se puede ver el p-value
que arroja el Eviews sin ningn problema. Las variables parecen significativas
pero, para saber si no nos encontramos ante una relacin esprea y que
efectivamente ES una relacin de cointegracion, analizamos el comportamiento
del error de la ecuacin de largo plazo.
a.
b.
5)
E_COINT
.08
.04
.00
-.04
-.08
-.12
1995
1996
1997
1998
1999
2000
2001
6)
7)
Sin embargo, la prueba formal para probar que el residuo de la relacin de largo
plazo es estacionario es por medio de la prueba ADF a dicha serie.
t-Statistic
Prob.*
-5.959290
-2.593121
-1.944762
-1.614204
0.0000
Coefficient
Std. Error
t-Statistic
Prob.
E_COINT(-1)
-0.567162
0.095173
-5.959290
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.301544
0.301544
0.027768
0.063226
180.1928
2.020679
0.001017
0.033226
-4.317900
-4.288757
-4.306192
8)
9)
i 0
i 0
i 0
i 0
i 1
i 0
i 0
Coefficient
Std. Error
t-Statistic
Prob.
C
E_COINT(-1)
0.003337
-0.496218
0.002799
0.087410
1.192038
-5.676902
0.2367
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.284624
0.275792
0.025503
0.052682
187.7643
32.22721
0.000000
0.003378
0.029968
-4.476248
-4.417963
-4.452833
2.121768
Coefficient
Std. Error
t-Statistic
Prob.
C
E_COINT(-1)
0.001826
0.048538
0.001175
0.036696
1.553470
1.322725
0.1242
0.1896
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.021143
0.009059
0.010706
0.009285
259.8040
1.749601
0.189649
0.001822
0.010755
-6.212145
-6.153859
-6.188729
2.181606
Coefficient
Std. Error
t-Statistic
Prob.
C
E_COINT(-1)
-0.000344
-0.022169
0.000406
0.012680
-0.847197
-1.748394
0.3994
0.0842
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.036367
0.024470
0.003699
0.001109
348.0045
3.056881
0.084185
-0.000342
0.003746
-8.337459
-8.279173
-8.314043
0.881266
Coefficient
Std. Error
t-Statistic
Prob.
C
E_COINT(-1)
D(TIPMN_N)
0.002727
-0.535518
-1.772768
0.002734
0.086586
0.744817
0.997426
-6.184845
-2.380140
0.3216
0.0000
0.0197
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.331932
0.315231
0.024799
0.049198
190.6037
19.87418
0.000000
0.003378
0.029968
-4.520570
-4.433142
-4.485447
1.997961
Nota: Cuando se incluyo la diferencia del PBI real dicha variable sali no
significativa.
Viendo el cuadro podemos concluir lo siguiente: en el corto plazo lcirsa_r es
causada por tipmn_n, la cual es fuertemente exgena. Recuerden que solo
podemos hablar de exogeneidad y causalidad en el modelo de corto plazo y NO
en la relacin de largo plazo.
15) Otra manera de estimar el vector de correccin de errores es va un modelo VAR
entre las diferencias de las variables y usando como variable exgena a la
variable e_coint(-1).
D(TIPMN_N)
D(LPBIR)
D(LCIRSA_R(-1))
-0.021029
(0.11142)
[-0.18873]
0.014683
(0.01304)
[ 1.12572]
-0.002807
(0.04741)
[-0.05921]
D(LCIRSA_R(-2))
-0.036703
(0.10093)
[-0.36364]
-0.005376
(0.01181)
[-0.45503]
-0.006510
(0.04294)
[-0.15160]
D(TIPMN_N(-1))
1.188581
(1.02651)
[ 1.15789]
0.685720
(0.12016)
[ 5.70675]
-0.076763
(0.43674)
[-0.17576]
D(TIPMN_N(-2))
-2.136386
(1.00520)
[-2.12534]
-0.100056
(0.11767)
[-0.85034]
-0.347398
(0.42767)
[-0.81230]
D(LPBIR(-1))
-0.198553
(0.29840)
[-0.66538]
0.093926
(0.03493)
[ 2.68897]
-0.124559
(0.12696)
[-0.98109]
D(LPBIR(-2))
-0.235093
(0.30213)
[-0.77812]
0.000250
(0.03537)
[ 0.00706]
0.079607
(0.12854)
[ 0.61930]
0.004350
(0.00298)
[ 1.45940]
-0.000450
(0.00035)
[-1.28964]
0.001874
(0.00127)
[ 1.47757]
E_COINT(-1)
-0.500936
(0.11173)
[-4.48356]
-0.000373
(0.01308)
[-0.02849]
0.037994
(0.04754)
[ 0.79927]
0.332825
0.270555
0.049133
0.025595
5.344890
190.6591
-4.401425
-4.168284
0.003378
0.029968
0.414789
0.360169
0.000673
0.002996
7.594121
368.7022
-8.691618
-8.458477
-0.000342
0.003746
0.062368
-0.025145
0.008894
0.010890
0.712671
261.5896
-6.110593
-5.877452
0.001822
0.010755
R-squared
Adj. R-squared
Sum sq. resids
S.E. equation
F-statistic
Log likelihood
Akaike AIC
Schwarz SC
Mean dependent
S.D. dependent
6.14E-13
4.53E-13
826.2579
-19.33151
-18.63209
16) Se puede analizar cada ecuacin de corto plazo por separado, en esta forma
reducida del VAR podemos fijarnos en los t-estadisticos del vector de
cointegracin porque este no debera mostrar una multicolinealdiad muy fuerte
con los otros regresores.
17) Del ejemplo podemos concluir que la nica ecuacin de corto plazo que cumple
con los supuestos es la primera porque e_coit es significativa (|-4,48|>2) y
negativa.
18) Por lo que podemos concluir que el circulante es la dependiente en el corto plazo
y que las otras dos variables son dbilmente exgenas porque sus coeficientes de
ajuste no cumplen con los supuestos requeridos.
METODOLOGA DE JOHANSEN
19) La metodologa de Johansen se basa en una estimacin de MV multivariada, es
decir, estima tanto los vectores de cointegracin como los coeficientes de ajuste
de manera conjunta.
20) Primero juntamos las tres variables en un grupo y buscamos la opcin de
cointegracin de Johansen.
21) A continuacin nos saldr la siguiente pantalla en donde debemos tomar una
decisin sobre los componentes determinsticos del modelo y el nmero de
rezagos a utilizar. Para el nmero de rezagos se suele trabajar con el nmero de
rezagos ptimos que saldra de la estimacin de un VAR reducido entre las tres
variables. Por el lado de los componentes determinsticos se suele trabajar con la
opcin nmero 3 ya que es la mejor representa las series macroeconmicas; sin
embargo, uno puede hacer uso de la opcin 6 y tener un resumen de los
resultados para cada opcin que presenta el Eviews.
Eigenvalue
Trace
Statistic
0.05
Critical Value
Prob.**
None *
At most 1
At most 2
0.292693
0.086581
2.75E-05
36.69789
7.609442
0.002314
29.79707
15.49471
3.841466
0.0068
0.5081
0.9596
Eigenvalue
Max-Eigen
Statistic
0.05
Critical Value
Prob.**
None *
At most 1
At most 2
0.292693
0.086581
2.75E-05
29.08845
7.607128
0.002314
21.13162
14.26460
3.841466
0.0031
0.4201
0.9596
10
LPBIR
-33.38908
39.21499
-4.378288
TIPMN_N
21.36092
-0.449201
-74.63730
-0.013037
-0.000143
-0.000382
1 Cointegrating Equation(s):
0.003041
-0.002227
-0.000495
-4.57E-05
-3.72E-05
1.17E-05
Log likelihood
836.8649
2 Cointegrating Equation(s):
Log likelihood
840.6685
23) Lo primero que debemos ver son los resultados de la prueba de la traza y mximo
valor propio. Fjense que el Eviews ya les da el resultado de cuntos vectores de
cointegracin ha podido identificar; sin embargo, es bueno tomar en cuenta cmo
se ha construido o concluido.
Lo primero que deben tomar en cuenta es que las pruebas son secuenciales y
notar que las hiptesis nulas corresponden a pruebas anidadas. Tomemos como
ejemplo la prueba de la traza, que es la ms usada.
11
Eigenvalue
Trace
Statistic
0.05
Critical Value
Prob.**
None *
At most 1
At most 2
0.292693
0.086581
2.75E-05
36.69789
7.609442
0.002314
29.79707
15.49471
3.841466
0.0068
0.5081
0.9596
Log likelihood
836.8649
A primera vista pareciera ilgico porque el signo del PBI es negativo y de la tasa
de inters es positivo. Sin embargo, lo que tenemos que tener en cuenta es que
esta relacin solo ha sido normalizada pero no despejada. Es decir, esta puesta
de la siguiente manera:
1*lcirsa_r 0.97lpbir + 0.62tipmn_n = v
Por lo tanto, lo que demos hacer es despejar lcirsa_r para tener la ecuacin de la
demanda de dinero y as obtenemos que:
12
LPBIR
-33.38908
39.21499
-4.378288
TIPMN_N
21.36092
-0.449201
-74.63730
-0.013037
-0.000143
-0.000382
1 Cointegrating Equation(s):
0.003041
-0.002227
-0.000495
-4.57E-05
-3.72E-05
1.17E-05
Log likelihood
836.8649
25) Por ltimo, estimamos de manera completa el modelo reconociendo que solo
tenemos un vector de cointegracin.
13
14
CointEq1
LCIRSA_R(-1)
1.000000
LPBIR(-1)
-0.976887
(0.11954)
[-8.17189]
TIPMN_N(-1)
0.624971
(0.40250)
[ 1.55271]
5.251668
Error Correction:
D(LCIRSA_R)
D(LPBIR)
D(TIPMN_N)
CointEq1
-0.445575
(0.09549)
[-4.66627]
-0.004874
(0.04065)
[-0.11990]
-0.013045
(0.01119)
[-1.16569]
D(LCIRSA_R(-1))
-0.057324
0.018360
0.021069
15
(0.10619)
[-0.53983]
(0.04520)
[ 0.40615]
(0.01245)
[ 1.69293]
D(LCIRSA_R(-2))
-0.060190
(0.09979)
[-0.60317]
0.002183
(0.04248)
[ 0.05140]
-0.003135
(0.01170)
[-0.26804]
D(LPBIR(-1))
-0.132789
(0.29363)
[-0.45223]
-0.162792
(0.12500)
[-1.30233]
0.084969
(0.03441)
[ 2.46907]
D(LPBIR(-2))
-0.194918
(0.29886)
[-0.65220]
0.064425
(0.12723)
[ 0.50638]
-0.000886
(0.03503)
[-0.02529]
D(TIPMN_N(-1))
1.033496
(1.02506)
[ 1.00823]
-0.164030
(0.43637)
[-0.37590]
0.649968
(0.12014)
[ 5.41026]
D(TIPMN_N(-2))
-2.369159
(1.00708)
[-2.35250]
-0.335825
(0.42872)
[-0.78333]
-0.099021
(0.11803)
[-0.83896]
0.004996
(0.00299)
[ 1.67295]
0.001925
(0.00127)
[ 1.51420]
-0.000414
(0.00035)
[-1.18296]
0.339995
0.279205
0.049828
0.025605
5.592950
192.8688
-4.401637
-4.170131
0.003894
0.030160
0.053775
-0.033377
0.009030
0.010900
0.617023
264.6063
-6.109673
-5.878167
0.001913
0.010723
0.424929
0.371962
0.000684
0.003001
8.022505
372.9550
-8.689404
-8.457897
-0.000267
0.003787
R-squared
Adj. R-squared
Sum sq. resids
S.E. equation
F-statistic
Log likelihood
Akaike AIC
Schwarz SC
Mean dependent
S.D. dependent
6.02E-13
4.46E-13
836.8649
-19.28250
-18.50116
16