Documente Academic
Documente Profesional
Documente Cultură
ELEMENTOS DE
ECONOMETRA Y
ESTADSTICA
FINANCIERA
Carlos Mendoza Astroz
Universidad Nacional de Colombia
Facultad de Economa
Tabla de contenido
| PERIODO 2015-I |
| PERIODO 2015-I |
| PERIODO 2015-I |
1. TEORA ASINTTICA
El anlisis asinttico esta interesado en varias clases de
convergencia de sucesiones de estimadores a medida que los
tamaos de muestra crecen.
Se comienza con algunas de las definiciones respecto a
sucesiones no estocsticas de nmeros. Cuando se aplican estos
resultados en econometra, N es el tamao de muestra, y esto se
efecta para todos los nmeros enteros positivos.
Definicin 1. Una sucesin de nmeros no aleatorios
{an|n=1,2,3,.,N} converge a un valor a (tiene limite en a) si para
todo >0, existe un N tal que si N>N entonces, |an-a|<. Se nota
como ana como N.
Definicin 2. Una sucesin {an|n=1,2,3,.,n} es acotada, si y solo,
si existe algn b< tal que |an|b para todo n=1,2,3,.,N. de
otro modo, se dice que {an} es no acotada. Estas definiciones
aplican a vectores y matrices elemento a elemento.
Ejercicio. Suponga las siguientes series:
1. an=2+1/n entonces an converge a 2, an2.
2. an=(-1)n entonces no es convergente pero es acotada.
3. an=n1/4 entonces an no es convergente ni es acotada.
Serie 1
Serie 2
Serie 3
| PERIODO 2015-I |
Convergencia en Probabilidad
Definicin 3. La variable aleatoria xn converge en probabilidad a
una constante c si
limn Prob( xn c > )=0 para cualquier >0.
La definicin anterior indica que se hace cada vez ms
improbable que xn tome valores distintos a c, a medida que n, el
tamao de la muestra, aumenta. La convergencia en
probabilidad se denomina convergencia dbil.
Ejemplo. Supongamos que tenemos una variable aleatoria xn
cuya distribucin de probabilidad es la siguiente:
1
1
f ( xn ) n
1
si xn 0
si xn n
En este caso,
limn Prob( xn 0 > )=0
Es decir, xn converge en probabilidad a cero. A medida que n
aumenta, xn, toma el valor de n con una probabilidad cada vez
menor (1/n converge a cero a medida que n). Esto es, toda la
masa de la distribucin se concentra en aquellos puntos en la
vecindad de cero. En general, si, xn, converge en probabilidad a c,
es posible escribir
plim xn=c o x c
P
| PERIODO 2015-I |
Prob{
x n 1
xn
n n2
1
cn 2
n
2
n
xn
| PERIODO 2015-I |
2
n
2
n
Estimador Consistente
Se dice que un estimador de un parmetro es consistente si y
slo
plim =
La media muestral x de cualquier poblacin con media finita y
varianza finita 2 es un estimador consistente de . La media
muestral esta dada por x x donde x1,...,xn es una muestra de
__
i 1
___ 1 n
1
E x E xi (n )
n
n
i 1
___ 1
Var x 2
n
1
Var x n (n
n
i 1
2
n
| PERIODO 2015-I |
1 n
g ( xi ) Eg ( xi )
n i 1
yn
i 1
__
n 1 i 1
Entonces,
Matrices. Sea Wn una matriz cuyos elementos son variables
aleatorias, tal que plimWn=, con matriz invertible. Entonces:
plim Wn-1= -1
| PERIODO 2015-I |
Convergencia en Distribucin
xn converge en distribucin a una variable aleatoria x con
funcin distribucin acumulada (f.d.a) F(x) si:
limn ( F(xn) F(x) )=0
En todos aquellos puntos de continuidad de F(x). Esto se
simboliza como:
d
xn x
xn x
xn y n c x
d
2. Si
3. Si x x y g(xn) es una funcin continua, entonces g ( x ) g ( x)
4. Si plim(xn-yn)=0, entonces xn e yn tienen la misma
distribucin lmite.
xn yn cx
d
| PERIODO 2015-I |
10
1 __ d
n x N (0,1)
s
lim n
1
si
n
f ( n )
0
e.o. p..
Grficamente,
Se tiene que
xn x
, donde
| PERIODO 2015-I |
11
n ( g ( z n ) g ( )) N (0, ( g ( )) 2 2 )
n ( g ( z n ) g ( )) N (0, CC T )
| PERIODO 2015-I |
12
1
1
( X T X )1 X T Y ( X T X )1 ( X T )
n
n
( X T X )1 X T Y ( X T X )1 X T ( X )
1
1
( X T X )1 X T Y ( X T X )1 ( X T )
n
n
Entonces,
plim = +limn
1 T 1
(X X )
n
limn
1 T
(X )
n
| PERIODO 2015-I |
13
| PERIODO 2015-I |
3.
14
I.
Conceptos.
Los vectores propios, valor caracterstico o eigenvectores de un
operador lineal son los vectores no nulos que cuando son
transformados por el operador dan lugar a un mltiplo escalar
de s mismos, con lo que no cambian su direccin.
Suponga la transformacin del espacio para la siguente pintura:
| PERIODO 2015-I |
15
| PERIODO 2015-I |
16
II. Definiciones.
Sea una matriz simtrica con de orden PxP con las siguientes
caractersticas:
12 12
21 22
p1 p 2
1p
2p
pp
11 11 pp ii
i 1
| PERIODO 2015-I |
17
c1 p c2 p 1 c p c p 1 0 (2)
La ecuacin (2) es una ecuacin polinominal de con grado p.
Los valores propios son la solucin a la ecuacin anterior.
Definicin 3. Cada valor propio tiene asociado un vector no cero
correspondiente, e, llamado vector propio que satisface la
condicin:
e =e
(1)
Debido a que tiene P valores propios (ya que la matriz es de
orden PxP), tendr P vectores propios. Denotemos, por e1,e2,ep
los vectores propios de correspondientes a los valores propios
1, 2, p respectivamente.
Ejemplo. Suponga la siguiente matriz de covarianzas, encuentre
sus valores y vectores propios.
6 2
=[
]
2 3
a. Valores propios
6 2
=[
]
2 3
6 2
1 0
I = [
] [
]
2 3
0 1
6
2
I = [
]
2
3
| PERIODO 2015-I |
18
| PERIODO 2015-I |
19
y vectores propios de la
4
]
9
| PERIODO 2015-I |
20
f ( x)
1
2
1 / 2( x ) / 2
-<x<
| PERIODO 2015-I |
21
n=30
n=1000
n=5000
Distribucin normal bivariante
Es una generalizacin para vectores continuos del modelo
normal univariado. En el caso bivariante, la distribucin normal
no se basa en un nmero, sino en un vector de variables
aleatorias (X1,X2) con vector medias muestrales = (1, 2) y
matriz de covarianzas , definida por:
Basado en el caso univariado tiene como funcin de densidad
Una distribucin normal bivariada con media y matriz de
covarianzas se nota como N(, ), y se puede representar
grficamente como:
|Facultad de Economa |Carlos Mendoza Astroz|
| PERIODO 2015-I |
22
Propiedades
1. La distribucin marginal de X es N(1,1)
2. La distribucin marginal de Y es N(2,2)
3. La distribucin de Y condicionada por X = x0 se puede
representar como:
Donde es el coeficiente de correlacin para el caso bivariado.
= cov(X1,X2)
12
4. Si un vector aleatorio (X1,X2) tiene distribucin N(,) y
Cov(X1,X2)=0, entonces se puede representar su matriz de
covarianzas, , de la forma:
Sustituyendo esta expresin en la funcin de densidad de
probabilidad para una distribucin normal bivariada se obtiene
que f(x,y)=f(x)f(y), en este caso se denominan factores los
vectores aleatorios estadsticamente independientes.
| PERIODO 2015-I |
23
a X ai xi
T
i 1
E ( X 2 ) 2 )
E( X )
E ( X ) )
p
22
21
p1 p 2
1p
2p
pp
| PERIODO 2015-I |
24
f ( Z1 ,.....Z n ) f ( z ) f ( zi )
i 1
normal multivariada
i 1
f ( Z1 ,.....Z n ) f ( z ) 2
n / 2
||
-n
n 2
e zi
i 1
1
2
f (Z1 ,.....Z n ) f ( z ) 2 n / 2 | |- n e 12 Z T Z
g ( z ) 2 n / 2 | A |1 e 12 A1 ( X B)
( X B)
g ( z ) 2 n / 2 | A |1 e 12 ( X B)T At )( A1 ( X B) )
g ( z ) 2 n / 2 | |1 / 2 e 12 ( x )T 1 ( x ) )
| PERIODO 2015-I |
25
Teoremas
Teorema 2. Si es positiva de modo que -1 existe, entonces
e=e implica que -1 e= 1 e
a
X
a
X
a
X
qp
p
q1 1 q 2 2
Son distribuidos Nq(A,AAT) . Tambin, X+d donde d es un
vector de constantes es distribuida Nq(A+b,).
Teorema 4. Si X es distribuido N(,), entonces cualquier
combinacin lineal de variables aTX=a1X1+a2x2+..+apXp es
distribuido N(aT,aTa). Tambin, si la combinacin lineal aTX es
distribuida como N(aT, aTa) para cada a, entonces X debe ser
N(,).
Teorema 5. Todos los subconjuntos de X estn normalmente
distribuidos. Si se particiona X, su vector de medias y matriz de
covariazas ser de la forma,
| PERIODO 2015-I |
11
21
X1
1
X
X2
2
26
| 12
| 22
11
N q1q 2 ,
2 21
12
| 22
solo si 12=0.
c. Si X1 y X2 son independientes y distribuidas Nq1(1,11) y
Nq2(,) respectivamente, entonces [X1 X2] es normal
multivariante distribuido como:
1 11
N q1q 2 ,
2 0
|
0
| 11
| PERIODO 2015-I |
27
inversa
POBLACIONAL
9005.32 230.38
230.38
12.89
0.0002
-0.00366
-0.00366
0.14296
MUESTRAL
1000.59
25.60
25.60
1.43
0.0018 -0.032915
-0.0329 1.2866317
Variables centradas
No
ventas
Ecopetrol
64.667
Avianca
34.627
Suramerica
24.347
Tablemac
1.127
Coltejer
-7.043
Coltabaco
-11.333
xito
-23.243
ETB
-26.153
ISA
-27.103
Argos
-29.893
utilidades
1.298
0.908
0.588
0.828
1.008
-1.122
0.018
-2.572
-0.442
-0.512
2(0.5,2)
4.343
1.199
0.594
0.823
1.866
1.019
1.023
5.343
0.815
0.975
| PERIODO 2015-I |
28
1
0
-1
-2
-3
-4
-4
-3
-2
-1
Valor observado
| PERIODO 2015-I |
29
| PERIODO 2015-I |
30
| PERIODO 2015-I |
1.
31
1.1. INTRODUCCIN
Un anlisis de componentes principales (ACP) est interesado en
explicar la estructura de varianzas y covarianzas (informacin)
de un conjunto de variables a travs de combinaciones lineales
de estas.
Dicha representacin debe ser tal que al desechar dimensiones
superiores (generalmente de la tercera o cuarta en adelante) la
prdida de informacin sea mnima.
El objetivo principal que persigue el ACP es la representacin de
las medidas numricas de varias variables en un espacio de
pocas dimensiones donde puedan percibir relaciones que de otra
manera permaneceran ocultas en dimensiones superiores y
permitir, en primer lugar, reducir los datos, y en segundo lugar,
efectuar interpretacin de resultados.
Aunque p componentes son necesarias para reproducir la
variabilidad completa del sistema, muchas veces esta puede ser
resumida por un pequeo nmero k de componentes principales
(k<p).
Si es as (casi siempre) mucha informacin en los k componentes
se refleja como si existiera en las p variables originales.
| PERIODO 2015-I |
32
| PERIODO 2015-I |
33
| PERIODO 2015-I |
34
| PERIODO 2015-I |
35
| PERIODO 2015-I |
36
| PERIODO 2015-I |
37
| PERIODO 2015-I |
38
Se puede probar que es una matriz definida positiva, es decir, la forma cuadrtica asociada a ella tiene todas sus races positivas.
| PERIODO 2015-I |
39
| PERIODO 2015-I |
40
a a j akj2 1
T
j
k 1
(3)
| PERIODO 2015-I |
41
| PERIODO 2015-I |
42
| PERIODO 2015-I |
43
| PERIODO 2015-I |
44
| PERIODO 2015-I |
45
i 1,2,...., p
De esta forma,
| PERIODO 2015-I |
46
Var ( yi ) eiT ei i
cov( yi , yk ) eiT ek 0
ik
i 1
i 1
PVE=
k=1,2,.p
k
1 2 .... k
| PERIODO 2015-I |
47
100%
originales.
Si por ejemplo, 80% o 90%, de la varianza poblacional total
puede ser atribuida a la primera y segunda componente
entonces estos pueden sustituir las p variables originales por las
componentes sin perdida de demasiada informacin.
Teorema 3. Si y1= x, y2= x,.. yp= x son componentes
principales obtenidos de la matriz de covarianzas, , entonces:
Y , X
1
eki i
kk
i=1,2.p
| PERIODO 2015-I |
48
| PERIODO 2015-I |
49
2 0
5 0]
0 2
| PERIODO 2015-I |
50
i 1
i 1
1
1 +2 +3
5.83
1 +2 +3
5.83
= 8.00 =0.7286
| PERIODO 2015-I |
51
e11 1
11
0.3835.83
= -0.925
e12 1
22
0.9245.83
= 0.998
| PERIODO 2015-I |
52
| PERIODO 2015-I |
53
| PERIODO 2015-I |
54
Z1=
11
(X2 2 )
Z2=
:
:
22
(Xp p )
Zp=
pp
En notacin matricial:
Z=(V1/2)-1(X-)
| PERIODO 2015-I |
55
Var(Yi ) = Var(Zi ) = p
i=1
i=1
| PERIODO 2015-I |
56
VTE = pk k=1,2,,p
=[
]
Y una matriz de correlaciones, , asociada:
.
=[
]
.
Se calularon los pares de valores y vectores propios en STATA
con la siguiente sintaxis:
pcamat covarianza, n(0) names(x1 x2) components(2) covariance
| PERIODO 2015-I |
57
COVARIANZAS
a. Matriz de covarianzas
Los valores y vectores propios de la matriz de covarianzas, , se
tienen que:
1=100.16 1t =[0.04, 0.99]
2= 0.84
=[0.99,-0.04]
Las componentes principales se convierten en:
Y1=e1t =0.04X1+0.99X2
Y2=et2 =0.99X1 - 0.04X2
| PERIODO 2015-I |
58
b. Matriz de correlaciones
Los valores y vectores propios de la matriz de correlaciones, , se
tiene que:
1=1+=1.4 1t =[0.707, 0.707]
2=1-= 0.6 =[0.707,-0.707]
Las componentes principales se convierten en:
Y1=e1t =0.707X1+0.707X2
Y2=et2 =0.707X1 - 0.707X2
Por ejemplo, para la primera componente, Y1, se tiene que:
X
X
Y1=0.707Z1+0.707Z2=0.707[ 1 1 1 ]+0.707[ 21002 ]
| PERIODO 2015-I |
59
| PERIODO 2015-I |
60
| PERIODO 2015-I |
61
| PERIODO 2015-I |
62
| PERIODO 2015-I |
63
| PERIODO 2015-I |
64
| PERIODO 2015-I |
65
| PERIODO 2015-I |
66
| PERIODO 2015-I |
67
S.A.
=1
La varianza corresponde al mximo valor propio, 1, tal como se
demostr para los resultados poblacionales. Lograda por la
eleccin del vector propio 1 de la matriz de covarianzas
muestrales S.
| PERIODO 2015-I |
68
eik i
skk
| PERIODO 2015-I |
69
| PERIODO 2015-I |
70
| PERIODO 2015-I |
t
Variable
Medida
71
X1
X2
X3
X4
X5
4.47
Total
poblacional
Cientos
3.96
Grado
profesional
(porcentaje)
71.42
Edad por
empleado
(porcentaje)
26.91
Empleado del
gobierno
(porcentaje)
1.64
Valor medio
de vivienda
Cientos
| PERIODO 2015-I |
72
Tabla 2
componentes principales
interpretacin.
para
efectuar
una
adecuada
| PERIODO 2015-I |
73
| PERIODO 2015-I |
74
Valor propio
| PERIODO 2015-I |
75
| PERIODO 2015-I |
76
PRUEBA KMO
Definicion. Coeficiente de correlacion parcial. Permite conocer el
valor de la correlacin entre dos variables A y B, si la variable C
permance constante para la serie de observaciones
consideradas.
El ndice de Kaiser-Meyer-Olkin o medida de adecuacin
muestral KMO tiene el mismo objetivo que la prueba de Bartlett,
trata de saber si es posible factorizar las variables originales de
forma eficiente.
El punto de partida, al igual que con al prueba de esfericidad de
Barlett, es la matriz de correlaciones muestrales, R, entre las
variables observadas. Las variables pueden estar relativamente
correlacionadas, pero la correlacin entre dos de ellas puede
estar influenciada por las otras.
El ndice KMO compara los valores de las correlaciones lineales
simples y parciales. Al comparar la magnitud de los coeficientes
de correlacin simple y parcial determina el impacto entre
variables.
El estadstico KMO vara entre 0 y 1. Si el ndice KMO est
prximo a 1, el ACP tiene sentido. Si el ndice es bajo (prximo a
0), el ACP no ser irrelevante. El estadstico tiene la siguiente
forma:
| PERIODO 2015-I |
77
CRITERIO
0.00 to 0.49
inaceptable
0.50 to 0.59
Bajo
0.60 to 0.69
Mediocre
0.70 to 0.79
Medio
0.80 to 0.89
Meritorio
0.90 to 1.00
Excelente
| PERIODO 2015-I |
78
1.12. CONCLUSIONES
Los resultados encontrados por el mtodo de anlisis de
componentes principales pueden resumirse en las siguientes
conclusiones:
1. La varianza total es igual a la suma de los valores propios de
. Es decir, la varianza total es la misma con las variables
originales que con las variables transformadas, Fi.
2. Las componentes principales son variables aleatorias no
correlacionadas
entre
s
obtenidas
mediante
transformaciones lineales ortogonales de las variables
originales centradas. Esto es: Fj=ajX=aj1X1+ aj2X2+.+ aj2X2
para j=1,2,.p
3. Si todas las variables originales Xi son normalmente
distribuidas entonces todas las componentes principales
son normales.
| PERIODO 2015-I |
79
| PERIODO 2015-I |
80
I. INTRODUCCIN
En el anlisis de informacin (financiera, econmica,
empresarial, comercial, etc.) pueden existir diferentes
dimensiones sobre las cuales se podra estar interesado en la
estimacin de modelos que traten de extraer relaciones de
causalidad o comportamiento.
Una de estas dimensiones la constituye el anlisis de series de
tiempo, la cual incorpora informacin de variables individuales
durante un perodo determinado (ventana temporal).
Por otra parte, existe otra dimensin, independiente a la
anterior, que no incorpora el aspecto temporal sino que
representa el anlisis de informacin para unidades individuales
de estudio en un momento determinado del tiempo (dimensin
estructural). En este tipo de anlisis, o corte transversal, cada
elemento no lo constituye el tiempo sino las unidades de anlisis.
Desde un punto de vista de corte transversal o dimensin
estructural, se podra, por ejemplo, modelar de forma estructural
los ingresos de las firmas del sector asegurador (I).
Un anlisis de regresin basado en datos de corte transversal
para un ao en particular podra incluir una serie de variables
explicativas tales como calidad de la gestin de la administracin
(G), monto monetario del capital liquido (K), costos asociados a
mano de obra en nmero de horas (L), nivel de apalancamiento
financiero (A) y un trmino de error estocstico (uit). Con la
| PERIODO 2015-I |
81
Si se deseara utilizar variables rezagadas sobre una variable endgena, por ejemplo, considere el siguiente modelo de rezagos distribuidos de
Almon:
2
Donde xt es una variable exgena y ut es un trmino de perturbacin estocstica. En general, las variables rezagadas xt y xt-1 son cercanas.
Adicionalmente, si se desea observar el cambio de la variable x en el tiempo entonces se tiene que x t-1+xt-1= xt-1+(xt-1- xt-2)=2xt-1-xt-2. Esta
estructura expone un alto componente de colinealidad entre variables. En general, no existe suficiente informacin para efectuar una estimacin
precisa sin supuestos a priori.
| PERIODO 2015-I |
82
| PERIODO 2015-I |
83
| PERIODO 2015-I |
84
X
x1
x2
x3
:
xn
x1
x2
x3
:
xn
:
x1
x2
x3
:
xn
t-1
t-2
T
t-3
t-n
| PERIODO 2015-I |
85
| PERIODO 2015-I |
86
| PERIODO 2015-I |
87
| PERIODO 2015-I |
88
II.
| PERIODO 2015-I |
89
uit = i + t + it
El primer trmino, conocido como heterogeneidad no observada
de la muestra, i, representa efectos no observables que difieren
entre individuos o entidades de estudio pero no en el tiempo.
Corresponde a un efecto por individuo invariante periodo a
periodo, y corresponde a un vector conformado por las variables
constantes en el tiempo capturadas por el trmino de error. Por
ejemplo, la variable sexo es un componente de heterogeneidad
individual que puede ser no observada en un anlisis.
El segundo trmino, t, se le identifica con efectos no observables
que varan en el tiempo pero no entre las unidades de estudio.
Por ejemplo, cambios regulatorios que afectan a todos los
individuos desde su periodo de expedicin.
Por ltimo, it se refiere al trmino de error puramente aleatorio
que tiene componentes por individuo y tiempo. Tiene las
caracteresiticas similares al componente del error de corte
transversal.
La mayora de las aplicaciones con datos panel modelan el
componente de error, uit, para efectos no observables entre
individuos que no varan en el tiempo (i0), pero no efectos de
| PERIODO 2015-I |
90
| PERIODO 2015-I |
91
Efecto no observado
OVERVIEW DE METODOS DE PANELES DE DATOS
Distintas caracteristicas en la construccin de modelos de datos
panel se pueden configurar segn la disponibilidad de las
observaciones individuales, asi como de sus intervalos de tiempo
y estructura de los errores o innovaciones. Por ejemplo, se
pueden observar los siguientes casos:
1.
| PERIODO 2015-I |
92
2.
3.
4.
5.
| PERIODO 2015-I |
93
| PERIODO 2015-I |
94
| PERIODO 2015-I |
95
| PERIODO 2015-I |
96
Modelo B
Modelo C
El primer paso despus de comprender los modelos panel de
trabajo radica en identificar las variables explicativas
observadas (Xk) en la base de datos panel de tres formas
posibles:
1. Una variable que cambia en el tiempo y por individuo (Zit). Se
trata de variables que cambian entre individuos en un
momento del tiempo, y que adems cambian a lo largo del
tiempo. Como ejemplo se pueden mencionar ingresos
totales, nivel de beneficios, nivel de capital, razones
financieras, entre otras.
2. Una variable por cada individuo, sin cambios en el tiempo
(Zit=Zi). Este es el caso de variables que son las mismas para
cada unidad de corte transversal a travs del tiempo.
Ejemplos de ellas se tienen caractersticas como sexo,
religin y otras caractersticas sociodemogrficas.
3. Una variable por periodo pero no cambia entre individuos
(Zit=Zt). Son las mismas variables para todos los individuos
en un momento del tiempo pero varan a lo largo del
periodo de estudio. Como ejemplo, cambios en la actividad
regulatoria, nivel de precios, tasas de inters, etc.
En conclusin, en una base de datos panel pueden existir
distintos tipos de variables que son capaces de representar
diferentes efectos.
| PERIODO 2015-I |
97
b.
| PERIODO 2015-I |
98
| PERIODO 2015-I |
99
| PERIODO 2015-I |
100
VARIACION BETWEEN-WITHIN
La variable dependiente y regresores del modelo de datos panel
pueden variar sobre el tiempo (t) e individuos (i), como ya se ha
definido.
La variacin en el tiempo de una variable x para un individuo es
conocida como variacin within y la variacin de una variable x a
travs de individuos se conoce como variacin between4.
Variacin Between Vs Within
Individuo 2
Variacion Between
Individuo 1
Variacin Within
ithinetween
| PERIODO 2015-I |
101
1
x =
xit
NT
i=1 t=1
T
xi =
1
xit
T
t=1
| PERIODO 2015-I |
2
stotal
102
1
=
(xit x)2
NT 1
i=1 t=1
INDIVIDUO
1
1
1
2
2
2
Y
23
45
76
21
98
5
X1
16
6.5
8
43
5
78
X2
31
87
32
4
55
24
X3
42
78
65
38
75
29
| PERIODO 2015-I |
103
DE
TRANSICION
EFECTOS
PANEL
WITHIN
BETWEEN
SESGO DE HETEROGENEIDAD
Al incluir efectos between y within dentro del anlisis y observar
la significancia de la interaccin entre individuosy tiempo entre
variables e individuos surge la pregunta que ocurre si este
efecto se omite? El no contar con el efecto individual no
observado, i, y aplicar OLS a una base de datos panel se suele
| PERIODO 2015-I |
104
Overall
| PERIODO 2015-I |
105
| PERIODO 2015-I |
106
| PERIODO 2015-I |
107
| PERIODO 2015-I |
108
| PERIODO 2015-I |
109
En t=1: yi1= 1
+1 xi1+ui1
con ui1 = i+i1
En t=2: yi2= 2
+2 xi2+ui2
con ui2 = i+i2
Las ecuaciones anteriores demuestran como los errores, uit, del
modelo usualmente estaran correlacionados serialmente dada la
existencia del trmino de heterogeneidad no observada
invariante en el tiempo para el individuo i-esimo, i. Es decir,
COV[uit,uis]0 para todo ts.
Con datos de panel no es posible suponer que las observaciones
son independientes ya que factores no observados que afectan a
los regresores en un periodo tambin afectarn a esas mismas
variables en el periodo siguiente.
| PERIODO 2015-I |
110
| PERIODO 2015-I |
111
| PERIODO 2015-I |
112
| PERIODO 2015-I |
113
3.
| PERIODO 2015-I |
114
| PERIODO 2015-I |
115
E2
E3
E4
Ek
Y
y1
:
yn
y1
:
yn
y1
:
yn
y1
:
yn
:
y1
:
yn
X
x1
:
xn
x1
:
xn
x1
:
xn
x1
:
xn
:
x1
:
xn
t-1
T
t-2
t-3
E
E1
E2
Y
y1
:
yn
y1
:
yn
X
x1
:
xn
x1
:
xn
t-1
t-2
T
t-3
t-n+1
t-n
E2
E3
E4
Ek
5.
Y
y1
:
yn
y1
:
yn
y1
:
yn
y1
:
yn
:
y1
:
yn
X
x1
:
xn
x1
:
xn
x1
:
xn
x1
:
xn
:
x1
:
xn
t-1
T
t-2
t-3
E
E1
E2
Y
y1
:
yn
y1
:
yn
X
x1
:
xn
x1
:
xn
t-1
t-2
T
t-3
t-n+1
t-n
| PERIODO 2015-I |
6.
7.
8.
9.
116
| PERIODO 2015-I |
117
| PERIODO 2015-I |
118
Estimador
1.
1.
1.
2.
3.
1.
2.
3.
4.
5.
OLS
OLS
FGLS
OLS para un estimador GLS
Mximo verosmil.
LSDV.
Condicional de maxima verosimilitud.
Primeras Diferencias
Within o de efectos fijos
Within o de efectos fijos con GLS
| PERIODO 2015-I |
119
yit=+Xit+it
Si este modelo se encuentra correctamente especificado y los
regresores no estn correlacionados con el trmino de error
(exogeneidad fuerte), y por tanto no existen efectos individuales
no observados, entonces es consistente y eficientemente
estimado por OLS y la inferencia pueden proceder de forma
fiable. En el contexto de datos de panel tambin se le llama
promedio poblacional o population average, con los siguientes
supuestos:
| PERIODO 2015-I |
120
yit=+Xit+it
Ajustando los promedios aritmticos de la variable dependiente,
yit, regresores, xit y el trmino de error, it, sobre el tiempo,
resulta en:
| PERIODO 2015-I |
121
| PERIODO 2015-I |
122
| PERIODO 2015-I |
123
| PERIODO 2015-I |
124
| PERIODO 2015-I |
125
| PERIODO 2015-I |
126
2 t +
2u T tT =
Se espera para un individuo i-esimo exista una correlacin
considerable en el tiempo, de modo que COR[yit,yis] is sea
alta. Despus de la inclusin de regresores la correlacion de los
termonos de error, COR[uit,uis], puede permanecer no cero y
muchas veces puede ser bastante significativa.
Por ejemplo, si un modelo pronstica ganancias individuales en
un ao, dada la correlacin positiva existente entre periodos, la
varianza calculada puede ser mucho mayor de la esperada y
puede sobrepronosticar ganancias para el mismo individuo en
otros aos.
En un modelo de efectos aleatorios (RE) el coeficiente de
correlacin no depende del tiempo, es decir, COR[uit,uis] para
ts, se calcula como:
| PERIODO 2015-I |
127
=[
]=I
n
| PERIODO 2015-I |
128
| PERIODO 2015-I |
129
| PERIODO 2015-I |
130
PY =
X+
PX+P
Y* = X*+*
Al derivar los estimadores, , el estimador GLS tiene la siguiente
formula funcional:
| PERIODO 2015-I |
131
| PERIODO 2015-I |
132
GLS=(Xt-1/2-1/2X)-1Xt-1/2-1/2Y.
yit yi
1/2
| PERIODO 2015-I |
133
| PERIODO 2015-I |
134
| PERIODO 2015-I |
135
= 1
2 + T
2
A partir del parmetro estimado de correccin, , se puede
derivar lo siguiente:
1. Si el parmetro de correccin es igual a cero, =0,
corresponde a una regresin pooled por OLS. Este escenario
ocurre cuando la varianza del componente individual no
observado () es igual a cero.
2. En la medida que el parmetro estimado de correccin,
difiere de cero, se presenta ineficiencia de OLS. El estimador
OLS comparado con GLS otorga demasiada ponderacin a
las variaciones en unidades (within).
OLS incluye todas las variaciones en los regresores X, en vez
de distribuir una parte a la variacin aleatoria entre grupos
(Between) atribuible a una variacin entre individuos.
3. Si el parmetro de correccin converge a uno, 1 debe ser
calculado como un estimador en dos etapas (2LS) de por
variables instrumentales (IV). Existen dos posibilidades
para alcanzar este valor estimado de .
| PERIODO 2015-I |
136
| PERIODO 2015-I |
137
| PERIODO 2015-I |
138
it=wit-
y it=it- donde it son los residuos
Donde
calculados del modelo RE. Esta estimacin permite
autocorrelaciones para it, as como heterocedasticidad de forma
arbitraria.
ESTIMACIN OLS PARA UN ESTIMADOR GLS
Para verificar como el estimador FGLS en el modelo de efectos
aleatorios se puede simplificar para convertirse en un estimador
OLS, y de esta forma, sea ms fcilmente calculado
computacionalmente se parte del modelo agrupado, como se
mostr anteriormente:
| PERIODO 2015-I |
139
| PERIODO 2015-I |
140
| PERIODO 2015-I |
141
| PERIODO 2015-I |
142
| PERIODO 2015-I |
2.
3.
4.
143
| PERIODO 2015-I |
144
3.
4.
5.
| PERIODO 2015-I |
145
| PERIODO 2015-I |
146
| PERIODO 2015-I |
147
i ) es
La estimacin de los efectos individuales no observados (
i
insesgada y es consistente cuando T puesto que
promedia T observaciones como mejor estimador muestral.
En paneles cortos la estimacin de los efectos individuales no
observados (
i ) es inconsistente, sin embargo, es consistente
w .
para las estimaciones de las pendientes,
En la mayora de investigaciones se juzga a los parmetros
individuales no observados estimados (
i ), como parmetros
auxiliares o problemticos8 (ancillary parameters o nuisance
parameters) ya que en algunos casos no son necesarios en
estudios, y por lo tanto, no necesitan ser consistentemente
estimados.
Adems, esta eliminacin no afecta el proceso de estimaciones
w , que determinan los efectos
consistentes de las pendientes,
marginales de las variables de inters.
debe demostrar
Para la consistencia del estimador within de
la condicin de exgeneidad fuerte:
Sin embargo, estos parametros muchas veces resultan utiles en informacion industrial, laboral, ambiental,entre otros por ejemplo vase
McClellan, M. and Staiger, D. Comparing Hospital Quality at For-Profit and Not-for-Profit Hospitals in The Changing Hospital Industry: Comparing
Not-for-Profit and For-Profit Institutions, (eds.). Cutler, David M. pp.93-112, The University of Chicago Press, 2000. Tambien, Murdock, J. 2006.
Handling unobserved site characteristics in random utility models of recreation demand. Journal of Environmental Economics and
Management,51, 1-25.
8
| PERIODO 2015-I |
148
2 =[N(T-1)-K]-1N
it . Donde los grados de libertad son
i=1 t=1
| PERIODO 2015-I |
149
Para paneles cortos con efectos fijos (FE) resulta en una varianza
donde se incluye efectos en el tiempo para periodos
contemporneos (t=s) y no contemporneos (ts) de la forma:
| PERIODO 2015-I |
150
| PERIODO 2015-I |
151
Una estimacin por OLS del modelo de efectos fijos (FE) ajustado
w con una matriz de
por la matriz Q resulta en el estimador
covarianzas, asumiendo independencia de los individuos, igual a:
| PERIODO 2015-I |
152
Entonces:
| PERIODO 2015-I |
153
| PERIODO 2015-I |
154
Puede ser estimado por FGLS. Si los trminos de error, it, son
vaiid [0,2 ] no existen muchas ganancias estadsticas utilizando
GLS, lo recomendable es trabajar por OLS.
Pueden existir ganancias si otros modelos son asumidos para la
distribucin de los trminos de error, it. Existen situaciones
donde puede limitarse OLS para su utilizacin, como datos
multinivel.
Por ejemplo, en investigacin en educacin se podra requerir
medir el rendimiento de colegios que utilizan un mtodo de
aprendizaje contra colegios que usan uno diferente.
Sera un error analizar estos datos pensando que los estudiantes
son muestras aleatorias simples de la poblacin de estudiantes
que aprenden bajo un mtodo particular y que no estn
correlacionadas a travs del tiempo. Los alumnos son agrupados
en clases (cursos), los cuales a su vez son agrupados en colegios.
El desempeo de los estudiantes dentro de una clase est
correlacionado, como el desempeo de los estudiantes dentro de
la misma escuela y el tiempo con el programa implementado.
| PERIODO 2015-I |
155
| PERIODO 2015-I |
156
| PERIODO 2015-I |
157
| PERIODO 2015-I |
158
| PERIODO 2015-I |
159
| PERIODO 2015-I |
160
| PERIODO 2015-I |
161
| PERIODO 2015-I |
162
O de forma equivalente:
| PERIODO 2015-I |
163
| PERIODO 2015-I |
164
| PERIODO 2015-I |
165
12
Supongamos que se particiona una matriz X, cuyo rango es k, en dos matrices X1 y X2, cuyos rangos son respectivamente r y kr, de manera que:
Para obtener la frmula del estimador OLS resulta til dividir las ecuaciones normales XtX= Xty
Este sistema puede resolverse en dos etapas. Primero obteniendo una expresin para 2 de la forma
primera
ecuacin
permite obtener
Agrupando
trminos
se
puede
Sustituyendo en la
obtener
que
Cuya solucin es
Que resulta ser es el estimador:
La matriz M2 es idempotente y simtrica por lo que:
Y
Es una matriz de
residuos de la regresin de X1 en las variables X2. De igual manera
Por lo tanto, 1 es el conjunto de coeficientes que se
obtienen cuando los residuos de una regresin de y en las variables de X 2 se regresan a su vez en el conjunto de residuos obtenidos cuando cada
variable de X1 se regresa en las variables de X2.
| PERIODO 2015-I |
166
| PERIODO 2015-I |
167
| PERIODO 2015-I |
168
| PERIODO 2015-I |
169
| PERIODO 2015-I |
170
| PERIODO 2015-I |
171
Agrupado o Pooled
Consistente
Consistente/ineficiente
Consistente
Consistente
Consistente
MODELO
Efectos aleatorios
Consistente/ineficiente
Consistente/ineficiente
Consistente
Consistente/ineficiente
Consistente/ineficiente
Efectos fijos
Inconsistente
Inconsistente
Consistente
Consistente
Inconsistente
3.
15
Chamberlain (1980) ofrece una discusin detallada de los supuestos y pruebas de exogeneidad para datos panel.
| PERIODO 2015-I |
172
4.
5.
E[yit|i,xit]= i+xit
El efecto especfico individual i es una variable aleatoria,
como se afirm en el punto anterior, para ambos modelos.
En paneles cortos, los mas utilizados, no puede ser
consistentemente calculados, por las limitaciones en el
nmero de observaciones.
De este modo, no es posible estimar E[yit|i,xit]
directamente. Para solucionar esta dificultad es posible
transformar i tomando expectativas con respecto a xit, es
decir, condicionando sobre los regresores a la ecuacin, de
la forma:
E[yit|i,xit]= i+xit
16
| PERIODO 2015-I |
173
| PERIODO 2015-I |
174
7.
8.
9.
| PERIODO 2015-I |
175
| PERIODO 2015-I |
176
| PERIODO 2015-I |
177
| PERIODO 2015-I |
178
| PERIODO 2015-I |
179
3.
i, es de tamao Tx1,
Donde el vector de variables dependientes,
excepto para el estimador de primeras diferencias (FDE) que es
i es una matriz Txq o, para el
(T-1)x1 y para los regresores,
modelo de primeras diferencias (FDE) una matriz (T-1)xq.
Tambin es til para agrupar individuos de la forma:
| PERIODO 2015-I |
180
| PERIODO 2015-I |
181
| PERIODO 2015-I |
182
=B-1Bb=1
. Este mtodo no proporciona refinamiento.
Donde
Dada la independencia sobre los individuos (i) el estimador es
consistente en la medida que los individuos crezcan, N.
OLS] y exactamente
[
Es asintticamente equivalente a estimar V
igual al caso de corte transversal y asintticamente equivalente
al estimador de heterocedasticidad consistente de White.
Es un mtodo de simulacin por remuestreo (resampling) que esencialmente es un experimento de simulacin de Montecarlo donde la muestra
observada es tratada como la poblacin. En otras palabras, cada iteracin, de tamao N, efectua una muestra con remplazamiento para
posteriormente obtener el clculo de los estimadores. Este proceso se efectua K veces. Calculando el promedi de los estimadores permite calcular
el sesgo de cualquier estimador. Puede ser utilizado para obtener errores estndar, intervalos de confianza y p-values ara pruebas estadsticas.
21
| PERIODO 2015-I |
183
Se debe efectuar un remuestreo por bootstrap nicamente sobre los individuos (i) no sobre los individuos (i) y el tiempo (t).
Para una introduccin tcnica pero fcil de entender sobre las propiedades de FGLS y PCSE, ver: Nathaniel Beck, Time-Series-Cross-Section
Data: What Have We Learned in the Past Few Years?, Annual Review of Political Science, 4: 271-93 (2001).
22
23
| PERIODO 2015-I |
184
| PERIODO 2015-I |
185
Donde ii es la varianza de las perturbaciones para el individuo iesimo, ij es la covarianza de las perturbaciones entre el
individuo i-esimo y el individuo j-esimo. Una forma ms general
si el panel es o no balanceados puede ser escrito como:
| PERIODO 2015-I |
186
| PERIODO 2015-I |
187
Un modelo muy general para datos panel permite que varen los
coeficientes asociados con el intercepto () y las pendientes ()
sobre el individuo (i) y el tiempo (t), es decir:
| PERIODO 2015-I |
188
| PERIODO 2015-I |
189
| PERIODO 2015-I |
190
| PERIODO 2015-I |
191
| PERIODO 2015-I |
192
| PERIODO 2015-I |
193
Dnde:
Sea Wyy=
=1 , la suma de cuadrados de los residuos del
CASO 1, o el modelo de media individual, se define como:
Estimacin de CASO 3. El modelo ms restrictivo es un modelo
agrupado (pooled) donde se especifican coeficientes de
pendiente e intercepto constantes. El supuesto usual para
anlisis de corte transversal, indica que:
La regresin por mnimos cuadrados agrupada (pooled
estimation) para el CASO 3, o los coeficientes de interceptos y
pendiente son los mismos y tienen los siguientes parmetros
estimados:
Dnde:
| PERIODO 2015-I |
194
| PERIODO 2015-I |
195
| PERIODO 2015-I |
196
| PERIODO 2015-I |
197
| PERIODO 2015-I |
198
El contraste se realiza sobre una distribucion F con (N-1)K y NTN(K+1) grados de libertad y un nivel de confianza de (1-), (F(N1)K y NT-N(K+1)).
La diferencia de la diferencia de (S2-S1) pueden ser deducidos sus grados de libertad dado que S1 tiene [NT-N(K+1)] y para S2 tiene [ N(T-1)-K].
La resta es (N-1)K grados de libertad
27
| PERIODO 2015-I |
199
| PERIODO 2015-I |
200
El contraste se realiza sobre una distribucion F con (N-1) y T(N1)-K grados de libertad y un nivel de confianza de (1-), (F(N-1) y
T(N-1)-K;(1-)).
CONTRASTES DE PARAMETROS ESTIMADOS Y SUMA DE
CUADRADOS DE LOS RESIDUOS RESPECTO AL TIEMPO
Alternativamente, es posible asumir que los coeficientes son
constantes a traves de los individuos en un periodo dado, pero
28
| PERIODO 2015-I |
201
Donde, de nuevo, se asume que uit es una vaiid con media cero y
varianza constante, 2u .
De forma analoga al analisis de varianza (ANOVA), puede ser
ejecutado un metodo para contrastar la heterogeneidad de los
parametros de corte transversal sobre el tiempo.
De este modo, se puede probar la homogeneidad del intercepto y
las pendientes a traves del tiempo sobre la siguiente prueba de
hipotesis:
| PERIODO 2015-I |
202
| PERIODO 2015-I |
203
El contraste se realiza sobre una distribucion F con (T-1)K y NTT(K+1) grados de libertad y un nivel de confianza de (1-), (F(T1)K y NT-T(K+1);(1-)).
Tambien, dentro de estos contrastes temporales, es posible
contrastar la hipotesis de homogeneidad de los interceptos (t )
condicionada sobre pendientes homogeneas (t), es decir:
Se realiza la difencia entre la suma de cuadrados del residuo del
modelo agrupado menos la suma de cuadrados del residuo del
modelo de media individual modificado, en vez del promedio de
los individuos, el promedio del tiempo para cada individuo, S2 .
Con estos resultados se tiene el estadstico de contraste
distribuido F de la forma:
| PERIODO 2015-I |
204
El estadistico efectua un contraste con una distribucion F con (T1) y T(N-1)-K grados de libertad y un nivel de confianza de (1), (F(T-1),T(N-1)-K;(1-)).
En general, a menos que se efectuen las pruebas en ambas
secciones, es decir, corte trasnversal y serie de tiempo, e
indiquen el no rechazo de la homogeneidad de los coeficientes
de regresion de pendientes e intercepto, el agrupamiento no
condicionado (es decir, el modelo pooled o una sola regresion
por OLS utilizando todas las observaciones de corte transversal a
traves del tiempo) puede conducir a un serio sesgo dentro del
proceso de estimacion.
RESUMEN DE PRUEBAS DE HIPOTESIS Y CONTRASTES DE
HIPOTESIS
| PERIODO 2015-I |
205
| PERIODO 2015-I |
206
Yit=i+xit+uit
La presencia del efecto fijo (FE) en esta ecuacin hace que una
estimacin de por OLS no sea consistente y sea sesgada. Los
Los interceptos para cada uno de los individuos, i~(0,2 ), son variables aleatorias independiente e idnticamente distribuidas (vaiid) sobre los
individuos (i). El termino estocstico puro, it~(0,2 ), son variables aleatorias independiente e idnticamente distribuidas (vaiid) sobre los
individuos (i) y el tiempo (t), donde existe una condicin de exogeneidad entre ellos, es decir, E[it|i]=0 i,j,t.
29
| PERIODO 2015-I |
207
| PERIODO 2015-I |
208
| PERIODO 2015-I |
209
se indic para los modelos de un solo factor (one way), para dos
los grupos de variables no observadas, individuos (i) y tiempo
(t). De este modo, la prueba de hiptesis del modelo de dos
factores (two way) se puede expresar como:
H0: 1=2=3==k=0 y 1=2=3==T=0
H1: i 0 iN o j 0 donde jT
El estadstico de contraste para este caso es:
| PERIODO 2015-I |
210
| PERIODO 2015-I |
211
31
Paquetes estadsticos como STATA trabajan con las modificaciones efectuadas sobre esta prueba por Baltagi and Li (1990).
| PERIODO 2015-I |
212
| PERIODO 2015-I |
213
| PERIODO 2015-I |
214
| PERIODO 2015-I |
215
2.
| PERIODO 2015-I |
3.
216
| PERIODO 2015-I |
217
| PERIODO 2015-I |
218
| PERIODO 2015-I |
219
| PERIODO 2015-I |
220
yit=xiti+uit
En este caso, la prueba de hiptesis radica en la decisin de
agrupar las respuestas de regresores, xit, vistos a travs de los
parmetros de pendiente, , para todos los individuos i-esimos, o
mejor, probar si las respuestas difieren entre individuos o no, de
modo que:
H0: i= i=1,2,..,N
H1: ij ij
Si el termino de error uit se distribuye N(0,2I), de esta forma
homocedastica, se puede construir el siguiente estadstico:
| PERIODO 2015-I |
221
| PERIODO 2015-I |
222
| PERIODO 2015-I |
223
| PERIODO 2015-I |
224
Prueba de Hausman
Para decidir entre FE o RE se utiliza la prueba de HAUSMAN
donde la hiptesis nula radica en que el modelo a utilizar es
efectos aleatorios (RE) contra la alternativa de efectos fijos (FE).
La prueba en el trasfondo determina estadsticamente sobre los
trminos de error (Ui) si estn correlacionados con los
regresores contra su hiptesis que no. Es una prueba de
exgeneidad entre los efectos individuales no observdos y los
trminos de error.
Para efectuarla se implementa un modelo de efectos fijos (FE) y
se almacena las estimaciones. Luego se ejecuta un modelo de
efectos aleatorios (RE) y se almacena las estimaciones. Despus
se ejecuta la prueba.
| PERIODO 2015-I |
225
H0:
| PERIODO 2015-I |
226
EN
Yit 1 X 1it it
(1)
| PERIODO 2015-I |
227
Yit i 1 X1it it
(2)
Yit 1 X1it vi it
(3)
Stata estima el modelo de efectos aleatorios con el comando
xtreg spend dem* divgov dis1 persinc* aper* popul*, re
| PERIODO 2015-I |
228
| PERIODO 2015-I |
229
(4)
| PERIODO 2015-I |
230
xi: reg spend dem* divgov dis1 persinc* aper* popul* i.stcode
| PERIODO 2015-I |
231
| PERIODO 2015-I |
232
| PERIODO 2015-I |
233
Yit vi t 1 X1it it
(5)
| PERIODO 2015-I |
234
| PERIODO 2015-I |
235
Para una discusin sobre esta prueba, consulta Greene, W. 2000. Econometric Analysis. Upper Saddle River, NJ: Prentice Hall, p. 598.
| PERIODO 2015-I |
236
| PERIODO 2015-I |
237
| PERIODO 2015-I |
238
33
Para una discusin de esta prueba, consulta Greene, W. 2000. Econometric Analysis. Upper Saddle River, NJ: Prentice Hall, p. 601.
| PERIODO 2015-I |
239
Muchas de las pruebas que se utilizan para diagnosticar problemas de correlacin serial en series de tiempo han sido ajustadas para aplicarse a
datos tipo panel en Stata. Estas pruebas puedes bajarlas por internet del modulo PANELAUTO y PANTEST2 tecleando en la lnea de comando:
ssc install panelauto y ssc install pantest2.
35 Para una discusin ms amplia de esta prueba, consulta Wooldridge, J. M. 2002. Econometric Analysis of Cross Section and Panel Data.
Cambridge, MA: MIT Press.
34
| PERIODO 2015-I |
240
| PERIODO 2015-I |
241
Yit vi 1 X1it i it
Baltagi, B. H., and P. X. Wu. 1999. Unequally spaced panel data regressions with AR(1) disturbances. Econometric Theory 15: 814823.
Baltagi, B. H., and Q. Li. 1991. A transformation that will circumvent the problem of autocorrelation in an error-component model. Journal of
Econometrics 48: 385393.
36
37
| PERIODO 2015-I |
242
Para una introduccin tcnica pero fcil de entender sobre las propiedades de FGLS y PCSE, ver: Nathaniel Beck, Time-Series-Cross-Section
Data: What Have We Learned in the Past Few Years?, Annual Review of Political Science, 4: 271-93 (2001).
38
| PERIODO 2015-I |
243
Hasta la fecha, el debate entre FGLS y PCSE contina, y ya se han desarrollado algunos mtodos alternativos. Para propsitos de este curso, vale
la pena estimar ambos mtodos y comparar resultados.
39
| PERIODO 2015-I |
244
| PERIODO 2015-I |
245
| PERIODO 2015-I |
246
| PERIODO 2015-I |
247
El estimador de Variables Instrumentales (IV) es un caso especial del Mtodo Generalizado de Momentos (GMM)
| PERIODO 2015-I |
248
| PERIODO 2015-I |
249
| PERIODO 2015-I |
4.
5.
6.
7.
250
| PERIODO 2015-I |
8.
251
Desventajas:
1. En trminos generales, las desventajas asociadas a la tcnica
de datos panel se relacionan con los procesos para la
obtencin y el procesamiento de informacin estadstica
sobre las unidades individuales de estudio, cuando esta se
obtiene por medio de encuestas, entrevistas o utilizando
algn otro medio de levantamiento de los datos. Ejemplos
de este tipo de limitaciones son cobertura de la poblacin de
|Facultad de Economa |Carlos Mendoza Astroz|
| PERIODO 2015-I |
2.
252
| PERIODO 2015-I |
253
| PERIODO 2015-I |
254
| PERIODO 2015-I |
255
| PERIODO 2015-I |
256
| PERIODO 2015-I |
257
| PERIODO 2015-I |
258
2000
1995
1990
1985
1980
1975
1970
10%
8%
6%
4%
2%
0%
-2%
-4%
| PERIODO 2015-I |
259
2000
1999
1998
1997
1996
1995
50000
| PERIODO 2015-I |
260
| PERIODO 2015-I |
261
| PERIODO 2015-I |
262
| PERIODO 2015-I |
263
Matriz de correlaciones
| PERIODO 2015-I |
264
| PERIODO 2015-I |
a.
265
E[ Y t ] = E[ Y t+m ] m
b.
| PERIODO 2015-I |
266
| PERIODO 2015-I |
267
| PERIODO 2015-I |
268
| PERIODO 2015-I |
269
Y t = 0 + 1Y t -1 + at
La expresin genrica de un modelo autorregresivo, no ya de un
AR(1) sino de un AR(p) sera la siguiente:
Y t = 0 + 1Y t -1 + 2 Y t -2 + ......+ p Y t - p + at
| PERIODO 2015-I |
270
p (L) = 1 - 1 L - 2 L2 - ...... - p L p
El polinomio de rezagos permite abreviar la expresin de un
modelo AR(p) escribindose:
p (L)Y t = 0 + at
La utilidad del polinomio de rezagos no es permitir una notacin
abreviada. Las caractersticas del polinomio de rezagos o, ms
concretamente, el valor de sus races caractersticas (soluciones
del polinomio) permiten analizar las propiedades de
estacionariedad del proceso estocstico que subyace al modelo
ARIMA.
Es decir, se pueden evaluar caractersticas relevantes del proceso
estocstico que se est modelando estudiando las propiedades
matemticas del polinomio de rezagos de ah su utilidad.
| PERIODO 2015-I |
271
Y t = + at + 1 at -1 + 2 at -2 + ....+ q at -q
Que de nuevo puede abreviarse utilizando el polinomio de
rezagos (como en el caso de los modelos AR):
Y t = q (L) at +
Qu significa que una variable aleatoria se explique en funcin
de los errores cometidos en perodos precedentes?, De dnde
proceden esos errores? Cul es la justificacin de un modelo de
este tipo?
| PERIODO 2015-I |
272
...........Y t = at + at -1 + at -2 + at -3 + ....+ at - j +
2
| PERIODO 2015-I |
2.
3.
4.
273
| PERIODO 2015-I |
274
| PERIODO 2015-I |
275
| PERIODO 2015-I |
276
| PERIODO 2015-I |
277
| PERIODO 2015-I |
278
| PERIODO 2015-I |
12.0000
279
50.0000
10.0000
40.0000
8.0000
6.0000
30.0000
4.0000
2.0000
20.0000
0.0000
-2.0000
10.0000
-4.0000
-6.0000
0.0000
-8.0000
ene-05
ene-04
ene-03
ene-02
ene-01
ene-00
ene-99
ene-98
ene-97
-10.0000
ene-96
ene-05
ene-04
ene-03
ene-02
ene-01
ene-00
ene-99
ene-98
ene-97
ene-96
-10.0000
| PERIODO 2015-I |
280
| PERIODO 2015-I |
281
| PERIODO 2015-I |
282
| PERIODO 2015-I |
283
| PERIODO 2015-I |
284
| PERIODO 2015-I |
285
Adems:
| PERIODO 2015-I |
286
| PERIODO 2015-I |
287
| PERIODO 2015-I |
288
| PERIODO 2015-I |
289
Tendencia
800,00
600,00
400,00
200,00
0,00
-200,00
96
91
86
81
76
71
66
61
56
51
46
41
36
31
26
21
16
11
-400,00
| PERIODO 2015-I |
290
yt Tt YSTt
TENDENCIA Exponencial
Ajuste
Serie Exponencial
200000,00
Ajuste
80000,00
70000,00
150000,00
60000,00
50000,00
100000,00
40000,00
50000,00
30000,00
20000,00
0,00
10000,00
0,00
-50000,00
-10000,00
-100000,00
yi a tib ui
99
92
85
78
71
64
57
50
43
36
29
22
15
99
92
85
78
71
64
57
50
43
36
29
22
15
-20000,00
yi a bt ui
| PERIODO 2015-I |
TENDENCIA Logartmica
Serie Logartmica
291
TENDENCIA Polinomica
Tendencia Polinmica
Ajuste
40,00
100,00
35,00
80,00
30,00
Ajuste
60,00
25,00
40,00
20,00
yi a b ln( t ) ui
97
91
85
79
73
67
61
55
49
43
37
31
25
19
97
91
85
79
73
67
61
55
49
43
37
31
25
-40,00
19
-20,00
0,00
5,00
13
0,00
10,00
13
20,00
15,00
yi a b t b t 2 ui
10.0000
5.0000
5.0000
0.0000
0.0000
en
e04
en
e05
10.0000
en
e02
en
e03
15.0000
en
e00
en
e01
15.0000
en
e96
en
e97
20.0000
en
e04
en
e05
20.0000
en
e02
en
e03
25.0000
en
e00
en
e01
25.0000
en
e98
en
e99
30.0000
en
e96
en
e97
30.0000
en
e98
en
e99
| PERIODO 2015-I |
2.
3.
4.
5.
292
yt a bTt U t
2.
| PERIODO 2015-I |
293
| PERIODO 2015-I |
3.
294
| PERIODO 2015-I |
295
| PERIODO 2015-I |
296
| PERIODO 2015-I |
297
| PERIODO 2015-I |
298
| PERIODO 2015-I |
299
| PERIODO 2015-I |
300
| PERIODO 2015-I |
301
| PERIODO 2015-I |
302
| PERIODO 2015-I |
303
| PERIODO 2015-I |
304
| PERIODO 2015-I |
305
| PERIODO 2015-I |
306
| PERIODO 2015-I |
307
| PERIODO 2015-I |
308
Modelo 1. Simple
Modelo 2. Constante
Modelo 3. Constante y tendencia
determinstica
Una vez decidido el modelo estadstico de referencia la manera
de efectuar el contraste ser diferente. Se nota generalmente
por las letras para el caso ms simple, para el caso del
modelo con constante y para el caso del modelo con tendencia
determinista.
Consultar correctamente el estadstico de referencia es
fundamental dado que las diferencias entre los distintos valores
de , y son importantes. Por ejemplo, para un nivel de
significancia del 95% y 100 observaciones los valores crticos
seran 1.95 para , -2.89 para y 3.45 para .
Tal y como describen Suriach (1995) los modelos 2 y 3
presentados por Dickey y Fuller son en realidad formas
reducidas de determinados modelos estructurales.
As, el modelo 2, que contrasta la hiptesis nula de paseo
aleatorio con deriva frente a una alternativa de esquema AR(1)
estacionario sin tendencia, es la forma reducida del modelo:
| PERIODO 2015-I |
309
| PERIODO 2015-I |
310
| PERIODO 2015-I |
311
| PERIODO 2015-I |
312
La hiptesis nula en este caso ser que yt tenga una raz unitaria,
o sea, que yt sea estacionaria.
Para eso ser necesario que en la expresin anterior 2=0 y
1<0. Si no es as debe rechazarse la hiptesis nula (tanto 1
como 2 son no nulos), entonces yt ser estacionaria, es decir, no
tendr ninguna raz unitaria.
Este procedimiento puede utilizarse para un orden mayor r para
el caso en que se sospechen slo dos races unitarias. El caso
sera bastante excepcional pero, si se diese, el procedimiento es
el mismo que el descrito anteriormente slo que comenzando el
contraste con el modelo:
| PERIODO 2015-I |
313
| PERIODO 2015-I |
314
| PERIODO 2015-I |
315
| PERIODO 2015-I |
b.
316
| PERIODO 2015-I |
317
| PERIODO 2015-I |
318
| PERIODO 2015-I |
4.
5.
6.
7.
8.
319
| PERIODO 2015-I |
320
Dnde:
| PERIODO 2015-I |
321
| PERIODO 2015-I |
322
| PERIODO 2015-I |
323
NO
SI
Es estacionaria en media ?
NO
Es Yt(ft) estacionaria
en varianza ?
SI
NO
Aplicar
diferencias
(1)
Continuamos con la
serie filtrada en
diferencias dYt(ft)
Es Yt estacionaria en
varianza ?
SI
Aplicar
diferencias
(2)
Continuamos con
la serie filtrada
Yt(ft)
(3)
Continuamos con la
serie en diferencias
dYt
(4)
Continuamos con
la serie original
Yt
| PERIODO 2015-I |
Falta:
Circulo unitario e idea de raz unitaria.
Teorema de representacin de wold
invertibilidad
Ecuaciones de yule Walker
Estimacin
Pronostico
Condiciones de invertibilidad
Estadisticl de ljung box
condicin
324
de
| PERIODO 2015-I |
b.
325
| PERIODO 2015-I |
Figura 1: Serie
polinmica
Yt
con
tendencia
326
1600000
2000000
1500000
1200000
1000000
500000
800000
400000
0
-500000
200000
400000
0
96
97
98
99
00
01
02
03
04
05
-200000
96
SERIE1
97
98
99
00
Residual
01
02
Actual
03
04
05
Fitted
40000
500000
20000
0
0
-500000
-20000
-40000
96
97
98
99
00
Residual
c.
01
02
Actual
03
04
05
Fitted
| PERIODO 2015-I |
327
| PERIODO 2015-I |
328
Existen varias propuestas al respecto: DF Estacional (Dickey Fuller) , HEGY (Hyllenerg,Engle,Granger y Loo) , CH (Canovas Hansen)
| PERIODO 2015-I |
329
| PERIODO 2015-I |
330
Cov( yt , yt k )
Var y
k Corr yt , yt k yt 1 , yt 2 ,.... yt k 1
| PERIODO 2015-I |
331
conviene
observar
las
siguientes
| PERIODO 2015-I |
332
a.
b.
c.
44
k N 0, 1 n
Como para cualquier distribucin normal estndar, el intervalo de confianza al 95% es 1,96*DT , pueden calcularse los lmites de nulidad de los
: cualquiera que se salga de esos lmites es estadsticamente distinto de 0 (lmites que aparecen dibujados en el correlograma de E-Views)
| PERIODO 2015-I |
333
Para la componente estacional ocurre algo similar. rdenes estacionales superiores a 1 (4, 12, dependiendo de la frecuencia de la serie) son
inhabituales.
45
| PERIODO 2015-I |
334
b.
c.
46
e' e
2k n ln( L) 2k n ln
n
Para muestras pequeas, se propone la versin corregida AICc (muestras pequeas):
47
AIC
2k k 1
n k 1
El criterio de Schawrz, denominado generalmente BIC, es algo ms exigente que el AICE para la inclusin de nuevas variables y responde a la
expresin
e' e ln( n)
ln k
n n
| PERIODO 2015-I |
335
| PERIODO 2015-I |
336
| PERIODO 2015-I |
b.
337
| PERIODO 2015-I |
338
| PERIODO 2015-I |
20
339
40
35
10
30
0
25
-10
20
-20
15
10
-30
5
-40
-50
-5
1
14
27
40
53
66
79
92
105
118
131
144
157
170
183
196
209
222
235
248
261
274
287
300
313
326
339
352
365
378
391
404
417
430
443
456
469
482
495
14
27
40
53
66
79
92
105
118
131
144
157
170
183
196
209
222
235
248
261
274
287
300
313
326
339
352
365
378
391
404
417
430
443
456
469
482
495
40
30
35
25
30
25
20
20
15
15
10
10
5
0
-5
-5
1
14
27
40
53
66
79
92
105 118 131 144 157 170 183 196 209 222 235 248 261 274 287 300 313 326 339 352 365 378 391 404 417 430 443 456 469 482 495
-10
1
14
27
40
53
66
79
92
105
118
131
144
157
170
183
196
209
222
235
248
261
274
287
300
313
326
339
352
365
378
391
404
417
430
443
456
469
482
495
| PERIODO 2015-I |
340
| PERIODO 2015-I |
341
| PERIODO 2015-I |
342
Etapa 1. Identificacin.
| PERIODO 2015-I |
343
Etapa 2. Estimacin.
| PERIODO 2015-I |
344
| PERIODO 2015-I |
345
| PERIODO 2015-I |
3.
4.
346
| PERIODO 2015-I |
5.
347
SELECCIN DE MODELOS
Existen dos metodologas en la seleccin de modelos de
pronstico. La primera parte de los criterios de informacin. La
segunda utiliza metodologas de minimizacin del error de
pronstico.
| PERIODO 2015-I |
348
CRITERIOS DE INFORMACIN
La seleccin de modelos en el anlisis economtrico involucra
tanto consideraciones estadsticas como no estadsticas. Esto
depender de los objetivos del anlisis, de la naturaleza y
extensin de la teora econmica utilizada y de los resultados
estadsticos del modelo bajo consideracin comparado con otros
modelos economtricos.
El clculo de los valores de las funciones de criterio corresponde
a las propuestas por Akaike (1973,1974), Schwarz (1978) y
Hannan-Quinn (1979), tanto para modelos uniecuacionales como
multiecuacionales.
Estos criterios de seleccin de modelos miden el ajuste (fit) de
un modelo dado, maximizando el valor de la funcin de mxima
verosimilitud con el uso de diferentes funciones de costos
(penalty) para tomar en cuenta el hecho de que diferentes
nmeros de parmetros desconocidos pudieron haber sido
estimados para diferentes modelos bajo consideracin.
Si ln() es el valor maximizado de la funcin de mxima
es el
verosimilitud de un modelo economtrico, donde
estimador de mxima verosimilitud de , basado en una muestra
de tamao n.
Definicin. Criterio de informacin de Akaike (AIC). Para este
modelo proporciona una aproximacin para muestras pequeas.
Se define como:
| PERIODO 2015-I |
349
| PERIODO 2015-I |
350
y
i 1
U Theil
y i
n
n
yi
i 1
y
i 1
| PERIODO 2015-I |
3.
351
| PERIODO 2015-I |
352
PROCESOS ESTACIONALES
Durante los ltimos aos se presenta un aumento pronunciado
del inters por el anlisis de la variacin estacional de las series
cronolgicas.
Este hecho, junto con investigacin relacionada con el tema de
races unitarias de modelos autoregresivos, llev al tratamiento
de las races unitarias estacionales.
La evidencia proporcionada por estos estudios indica que,
adems de ser no estacionarias, muchas series cronolgicas
econmicas observadas con periodicidad inferior a la anual
muestran tambin variaciones estacionales que son ms grandes
y ms irregulares que lo que se crea anteriormente.
De hecho, mientras algunas variables muestran variaciones
estacionales determinsticas, otras despliegan movimientos
estacionales que cambian lentamente a travs del tiempo.
En otras palabras, algunas series cronolgicas econmicas
observadas con periodicidad trimestral o mensualmente parecen
desplegar a menudo variaciones estacionales estocsticas no
|Facultad de Economa |Carlos Mendoza Astroz|
| PERIODO 2015-I |
353
| PERIODO 2015-I |
354
y t i Dit t
(1)
Donde las variables Dit (i = 1,2,..., s) toman el valor 1 cuando t
corresponde a la estacin i, y cero en los otros casos, y donde t
es un conjunto de variables aleatorias idntica e
independientemente distribudas (IID). Esta ecuacin puede ser
reformulada para evitar la confusin entre los niveles de las
diferentes estaciones, de la siguiente manera:
y Di
(2)
Donde es la media del proceso y los coeficientes i* estn
sujetos a la restriccin de sumar cero. Para hacer operativa esta
restriccin las dummies Dit* (i = 1, 2,..., s) se definen de manera
tal que toman valor 1 cuando t corresponde a la estacin i, 1
cuando t representa la estacin s, y valen cero el resto de las
veces, y donde t es una serie de variables aleatrias IID.
Finalmente, la ecuacin anterior tambin puede incluir
tendencias determinsticas con coeficientes estacionales
constantes o variables, es decir,
y Di [ Di g (t )]
(3)
Donde g(t) es un polinomio determinstico en t. El segundo caso,
proceso estacional estacionario en covarianza, puede ser
ejemplificado por un modelo expresado como
yt = s yt s + t
(4)
i 1
s 1
i 1
*
i
*
t
s1
i 1
i 1
| PERIODO 2015-I |
s yt ,
355
definida
| PERIODO 2015-I |
356
(1 L)d (1 Ls ) D X t d Ds X t
ds
d0
ds
f ( ) c( ) 2d
| PERIODO 2015-I |
357
| PERIODO 2015-I |
358
| PERIODO 2015-I |
359
(1 L2 )(1 L2 ) yt
(1 L2 )Y 3t .
3Y3t 2 i 4 yt i t
(8)
i 1
48
En este caso la hiptesis nula de existencia de dos races unitarias en la frecuencia cero ya fue rechazada. El modelo usado en aquel test es
semejante a la ecuacin (8): la variable dependiente es
aplicados a
yt
en vez de
12 yt
y las auxiliares fueron obtenidas con los filtros anteriores, apenas que
yt .
| PERIODO 2015-I |
360
| PERIODO 2015-I |
361
2 j
s
s ( j 1, 2,.... 2)
| PERIODO 2015-I |
362
T
~ ~
~
L f T 2 Ft( f ) 1 Ft
t 1
~
~ ~
T 2 tra[( f ) 1 Ft Ft ]
t 1
~
Ft f t u~t
Donde
es una secesin de sumas parciales, u es el
conjunto de residuos en la estimacin de la ecuacin (9) por
MCO y donde
1
~
W ( k , m) f f u~ u~
T
t 1
k m
t k
t k
t 1
T
t 1
~
fj j
f
2 j 1, 2 j 1
f
2 j , 2 j 1
s
2
f
jj
jt
~
Fjt f jt u~t
donde
f
2 j 1, 2 j
f
2 j ,2 j
jt
~f
Para
y donde hl es un elemento caracterstico de . La
distribucin asinttica del estadstico de la prueba es la
distribucin generalizada de Von Misses con grados de libertad
segn la dimensin del proceso de sumas parciales. Las pruebas
f
jj
| PERIODO 2015-I |
363
| PERIODO 2015-I |
364
65
70
75
IND70NOR
80
85
90
IND70SEC
| PERIODO 2015-I |
365
| PERIODO 2015-I |
Periodo: 19601974
Ecuacin con constante, sin
tendencia y sin dummies
estacionales. N = 60
Periodo: 19751994
Ecuacin con constante, sin
tendencia y sin dummies
estacionales. N = 80
Periodo: 19601994
Ecuacin con constante, con
tendencia y sin dummies
estacionales. N = 140
1
2
3
4
3
4
1
2
3
4
3
4
1
2
3
4
3
4
2,91
5,63
5,92
3,70
33,48
2,96
1,95
1,90
1,72
3,04
4,89
6,90
6,90
3,35
40,80
2,88
1,95
1,90
1,68
3,08
4,34
8,67
8,44
5,20
68,25
3,46
1,96
1,90
1,64
3,04
366
| PERIODO 2015-I |
367
60 80
140
Races en todas las 1,01 0,46 0,28 0,82
frecuencias
0,75 0,37 0,24 0,49
Raz unitaria en la 0,47 0,13 0,04 0,35
frecuencia
Raz unitaria en la
0,47 0,20 0,04 0,28
frecuencia /2
0,47 0,13 0,13 0,15
Inestabilidad
por 0,47 0,10 0,10 0,44
0,47 0,28 0,12 0,23
trimestre:
Trimestre 1
1,24 0,71 0,38 1,23
Trimestre 2
Trimestre 3
Trimestre 4
t 1
Inestabilidad en todos
los trimestres
| PERIODO 2015-I |
368
| PERIODO 2015-I |
369
| PERIODO 2015-I |
370
de forma reducida indica que los valores contemporneos de las variables del modelo no aparecen como variables explicativas en
ninguna de las ecuaciones. El conjunto de variables explicativas de cada ecuacin est constituido por un bloque de rezagos de cada una de las
variables del modelo. Las ecuaciones no restringidas implica que en cada una de ellas exsite el mismo grupo de variables explicativas.
| PERIODO 2015-I |
371
50
La defincion de exogeneidad estadstica se expondr con mas detalle en el documento siguiendo a Sims (1980)
| PERIODO 2015-I |
372
o, en forma matricial,
| PERIODO 2015-I |
373
| PERIODO 2015-I |
374
| PERIODO 2015-I |
375
| PERIODO 2015-I |
376
| PERIODO 2015-I |
377
| PERIODO 2015-I |
378
| PERIODO 2015-I |
379
| PERIODO 2015-I |
380
Por lo que,
| PERIODO 2015-I |
381
| PERIODO 2015-I |
382
Se tiene que
Reemplazandolo en la ecuacin anterior se tiene que:
| PERIODO 2015-I |
383
Finalmente,
Que es un proceso ARMA(2,1).
ESTIMACIN DE UN MODELO VAR
En ausencia de restricciones, la estimacin por mnimos
cuadrados, ecuacin por ecuacin, de un modelo VAR produce
estimadores eficientes a pesar de que ignora la informacin
contenida en la matriz de covarianzas de las innovaciones. Junto
con el hecho de que colinealidad entre las variables explicativas
no permite ser estricto en la interpretacin de los estadsticos t,
sugiere que es preferible mantener todas las variables
explicativas iniciales en el modelo.
El estimador es consistente siempre que los trminos de error
sean innovaciones, es decir, procesos ruido blanco, pues en tal
caso, estarn no correlacionados con las variables explicativas.
Por tanto, la ausencia de autocorrelacin en los trminos de
error de todas las ecuaciones es muy importante. Tomando
ambos hechos conjuntamente, es fcil concluir que debe
incluirse en cada ecuacin como variable explicativa, el menor
nmero de rezagos que permita eliminar la autocorrelacin
residual en todas las ecuaciones. Existen contrastes del tipo de
razn de verosimilitud sobre el nmero de rezagos a incluir en el
modelo.
Un modelo VAR no se estima para hacer inferencia acerca de
coeficientes de variables individuales. Precisamente la baja
precisin en su estimacin no aconseja cualquier anlisis de
| PERIODO 2015-I |
384
| PERIODO 2015-I |
385
| PERIODO 2015-I |
386
| PERIODO 2015-I |
387
| PERIODO 2015-I |
388
| PERIODO 2015-I |
389
Donde,
Existe un procedimiento recursivo para obtener las matrices de
coeficientes de la representacin de medias mviles,que utiliza
la relacin,
De modo que tenemos,
Que conduce a,
| PERIODO 2015-I |
390
tienen sobre las dos variables del modelo y1t e y2t una
perturbacin en las innovaciones 1t, 2t. Por ejemplo, los
coeficientes 12(s) reflejan el impacto que en los distintos
perodos s, s1, tiene sobre y1 una perturbacin del tipo impulso
en 2. Es decir, consideramos que 2 est en su valor de
equilibrio, cero, excepto en un perodo, en que toma un valor
igual a 1; como reaccionan, y dicha respuesta se extiende a
varios perodos, hasta que las sucesin 12(s) se hace cero. La
sucesin de valores numricos {12(s)} se conoce como la
respuesta de y1 a un impulso en 2. El efecto, multiplicador o
respuesta a largo plazo es la suma
=0 12 (). Esta suma existe
si las variables son estacionarias, pues en tal caso ha de
cumplirse |
=0 12 ()|<. El problema al que nos enfrentamos
al tratar de calcular las funciones de impulso respuesta es que, si
bien contamos con estimaciones numricas de los parmetros ij
con i,j=1,2, desconocemos los parmetros 11 y 21 que aparecen
en (9.2). En el modelo recursivo que antes vimos, se tiene 21=0.
Adems, se prueba en el ejercicio 1 que en este modelo el
parmetro 11 puede recuperarse mediante 1=u1u2/2u2. En
ese caso, u2t=2t y u1t = 1t+112t=1t+11u2t.
Las funciones de impulso respuesta slo puden obtenerse bajo
restricciones de este tipo. La que hemos descrito es la ms
habitual, y equivale a admitir que una de las dos variables afecta
a la otra slo con rezago, si bien permitimos que en la otra
direccin
haya
respuesta
contempornea.
Estaremos
caracterizando las respuestas del sistema a un impulso en cada
una de las innovaciones del modelo estructural o, lo que es lo
mismo, en la innovacin u2t y en u1t11u2t. Esta ltima es la
componente de u1t que no est explicada por u2t o, si se prefiere,
|Facultad de Economa |Carlos Mendoza Astroz|
| PERIODO 2015-I |
391
| PERIODO 2015-I |
392
| PERIODO 2015-I |
393
| PERIODO 2015-I |
394
| PERIODO 2015-I |
395
| PERIODO 2015-I |
396
| PERIODO 2015-I |