Documente Academic
Documente Profesional
Documente Cultură
En este captulo se introduce una clase importante de modelos que relaja la suposicin de que
se observa la variable explicativa xt. Para destacar este cambio en el estado de la variable
explicativa, el modelo se reescribe como
Donde st representa un factor no observado o latente. Este modelo se extiende fcilmente para
donde K <N.
La clase de factores latentes del modelo se encuentra con frecuencia en economa y finanzas y
ejemplos destacados incluyen modelos de mltiples factores de la estructura a plazo de las
tasas de inters, datacin de los ciclos econmicos, la identificacin de las tasas de inters
reales ex ante, , el modelo de tasacin de activos de capital y modelos de volatilidad
estocstica. Una serie de ventajas se derivan de ser capaces de identificar la existencia de una
estructura de factores latentes subyacente en el comportamiento de las series econmicas y
financieras. En primer lugar, proporciona una forma parsimoniosa de modelar sistemas
dinmicos multivariados. Como se ve en el captulo 13, la maldicin de la dimensionalidad
surge incluso en sistemas relativamente pequeos de VAR sin restricciones. En segundo lugar,
evita la necesidad de utilizar variables proxy ad hoc para las variables no observables, lo que
puede resultar en estimaciones de parmetros sesgadas e incoherentes. Ejemplos de ello son
el modelo de fijacin de precios de activos de capital y la identificacin de tipos de inters
reales ex ante.
A pesar de que est latente, el factor s t en la ecuacin (15.2) puede no obstante ser
caracterizado a travs de las propiedades de la serie temporal de las variables dependientes
observadas. El sistema de ecuaciones que capta esta estructura se denomina comnmente
forma de espacio de estado y la tcnica que permite esta identificacin y extraccin de factores
latentes se conoce como el filtro de Kalman. Un supuesto importante subyacente al filtro de
Kalman es el de la normalidad de los trminos de perturbacin que afectan al sistema. La
asuncin de la normalidad hace posible resumir toda la distribucin de los factores latentes
usando medios condicionales y variancias por s solas. En consecuencia, estos momentos
ocupan un lugar prominente en las derivaciones de las recursiones que definen el filtro de
Kalman. Para el caso en que la asuncin de la normalidad de los trminos de perturbacin es
inapropiada, puede estar disponible un estimador cuasi-mximo de verosimilitud. Los detalles
de este estimador se discuten en el Captulo 9. Un enfoque alternativo para estimar esta clase
de modelos es el mtodo generalizado de momentos discutido en el Captulo 10. Los enfoques
bayesianos para estimar los modelos de espacio-estado son tratados por Carter y Kohn (1994) y
Stroud, Muller y Polson (2003).
En el caso de un solo factor latent e, K = 1, el modelo de estructura a plazo para las tasas de
inters es
Grfico 15.1 Tasas diarias de cupn cero estadounidenses del 4 de octubre de 1988 al
28 de diciembre de 2001. Rendimiento mensual. Rendimiento anual.
Para completar la especificacin del modelo en la ecuacin (15.3), slo queda especificar la
dinmica del factor latente s t . Como los trminos de perturbacin son independientes,
cualquier dinmica mostrada por los rendimientos debe ser capturada por la dinmica del
factor. La representacin ms simple es dejar que el factor siga un proceso autorregresivo de
primer orden
Dnde es el parmetro autorregresivo y t es un trmino de perturbacin. Esta ecuacin
es comnmente conocida como la ecuacin de estado y junto con la ecuacin de medicin
(15.3) el sistema se conoce como un sistema de estado-espacio.
El ejemplo del ciclo de negocios sugiere el siguiente modelo para los indicadores, Ii , t
Adems, la suposicin de que los ui ,t son independientes puede ser relajada para permitir
dinmica adicional por encima y por encima de la dinmica inducida por el ciclo del negocio
s t mediante la especificacin
15.2.2 Teora
El segundo conjunto de ejemplos es ms terico en su naturaleza e ilustra la importancia de ser
capaz de manejar con eficacia los factores latentes en la econometra.
Un enfoque alternativo en el CAPM que evita el uso de una variable proxy es tratar el retorno
de la riqueza como un factor latente, st, y volver a especificar el modelo como
Una caracterstica importante de este modelo es que la riqueza agregada se identifica por la
dinmica de los excesos de rendimiento de todos los activos del sistema. El modelo se
completa especificando la dinmica del exceso de retorno sobre la riqueza, s t
15.3.1 Univariado
Consideremos el modelo univariado que relaciona una sola variable dependiente observada,
y t con un solo factor latente, s t dado por
Prediccin
Considere la posibilidad de formar una prediccin de s t usando la informacin en el tiempo
Donde
Las expresiones para la media condicional y la varianza de st dada informacin en t - 1
Observacin
Actualizando
La prediccin condicional del factor s t en (15.15) se basa en la informacin en el tiempo t -
1. Sin embargo, y t est disponible en el tiempo t, por lo que se puede obtener una mejor
prediccin de st con esta informacin. Para lograr este objetivo, considere la ecuacin de
regresin que relaciona los errores en la prediccin s t y y t utilizando la informacin en
el tiempo t - 1, a saber
(Donde "" es un trmino de perturbacin y "" es un parmetro que se identificar a
continuacin. Esta ecuacin puede ser reordenada como)
Donde
(15.19) esta prediccin requiere que a partir de (15.15) se basa en donde esta
ltima se calcula a partir del paso anterior dado en (15.28). Esto significa que toda la secuencia
de predicciones de un paso adelante puede construirse tanto para la variable observable,
y t como para el factor no observable, s t
Inicializacin