Documente Academic
Documente Profesional
Documente Cultură
Yt = [Y1t ; Y2t ; ; YN t ] ;
t = 1; 2; : : : ; T
El elemento i; j es: i;j = E(Yit it )(Yj;t j;t ) Los elementos de la diagonal son las autocovarianzas y los de fuera de la diagonal las autocovarianzas cruzadas.
Yt es estacionario si:
1. E(Yt ) = < 1. 2. E(Yt )(Yt )0 = ( ) < 1;
= 0; 1; 2; : : :
Cuidado: los elementos de "t pueden estar correlacionados contemporaneamente pero no en distintos periodos!!
si t = s si t 6s =
Yt = Yt1 + "t ; Yt es N 1, es N N .
Ejemplo: Xt Zt = =
"t RBM
Relacion entre el presente de una variable y el pasado de todas las variables del sistema.
Si A es cuadrada y diagonal con elemento carateristico aii , AK es una matriz diagonal con elemento i; i igual a aK . ii Amm . Cualquier escalar que satisfaga Ax = x para un vector m 1; x 60 es un autovalor de A. x es un autovector de A = correspondiente al autovalor . Si es un autovalor de A, entonces jA Ij = 0. La ecuacion caracteristica jA Ij = 0 es una ecuacion de grado m. Entonces, Amm tiene m autovalores. Amm con autovalores 1 ; 2 ; : : : ; m , entonces: (a) tr(A) = Qm i=1 i (b) jAj = i=1 i
Pm
Si Amm tiene m autovalores diferentes, entonces los autovectores asociados son todos linealmente independientes. Si Amm tiene m autovalores diferentes y diag(1 ; : : : ; m ) y X (x1 ; x2 ; ; xm ), entonces: A = XX 1 Bajo las condiciones del resultado anterior: AK = AA A = (XX 1 )(XX 1 ) (XK X 1 ) = XK X 1 con K = diag(K ; : : : ; K ) m 1
Estacionariedad de VAR(1)
Recordar caso AR(1): Yt = Yt1 + "t . Estacionario si jj < 1.
Yt =
j "tj + k Ytk
De acuerdo al resultado anterior = XX 1 en donde X es la matriz de autovectores y la matriz diagonal con los autovalores 1 ; : : : ; N . Entonces,
k = Xk X 1
de modo que K ! 0 si y solo si ji j < 1; i = 1; : : : ; N
Walter Sosa Escudero. Econometria de Series Temporales 9
Resumiendo: Yt = Yt1 + "t es estacionario si y solo si todos los autovalores de son <1 en valor absoluto, o, equivalentemente, si todas las raices de la ecuacion caracteristica j IN j son menores a uno en valor absoluto. Si VAR(1) es estacionario:
1 X j=0
Yt =
j "tj
10
VAR(p)
"t RBM
jp I p1 1 p j = 0
son mayores que uno en valor absoluto. Si VAR(p) es estacionario, tiene una representacion VMA(1) estacionaria.
11
Xt Zt
Notar que los supuestos de Gauss-Markov se verican ecuacion por ecuacion. MCO es insesgado, consistente y eciente, ecuacion por ecuacion. MCO ecuacion-por-ecuacion es tambien eciente en terminos del sistema. Idea: es un caso particular de SUR con las mismas variables explicativas en cada ecuacion: MCG coincide con MCO. Explica gran parte de la popularidad de VAR.
Walter Sosa Escudero. Econometria de Series Temporales 12
Interpretacion de VAR
No es una forma estructural. Los coecientes no tienen una interpretacion clara ya que solo se busca una representacion de los datos. En la practica es comun basar la interpretacion en tests agregados y ejercicios de simulacion. Simulacion: a) Funciones impulso-respuesta, b) Descomposicion de la varianza. Tests: a) Relevancia de variables, b) Signicatividad de rezagos, c) Relaciones entre ecuaciones, d) Causalidad de Granger.
13
Funciones impulso-respuesta
Investigar que sucede con el sistema VAR ante variaciones exogenas. Consideremos la representacion VMA(1) de VAR(p):
Yt =
1 X s=0
s "ts ;
0 = Im ; "t RBM
@Yt @Yt+s = = s @"tj @"t ij (s) : Efecto sobre Yi;t+s de cambiar "jt en una unidad. p ij (s)= V ("jt ): Efecto sobre Yi;t+s de cambiar "jt en un desvio estandar: Funcion de impulso-respuesta simple.
Walter Sosa Escudero. Econometria de Series Temporales 14
Ejemplo: VAR(1) con N = 2, hay 4 funciones de impulso respuesta simple. Problema: "it no son independientes. N = 2
V ("t ) = = 4
11 21
12 22
3 5
15
1. Si es simetrica y positiva denida, existe H no singular, tal que = HH 0 . H es una `raiz cuadrada' de . H no es unica. 2. Si "t es un vector aleatorio con E("t ) = 0 y V ("t ) = E("t "0 ) = , t existe H tal que "t = Hvt , en donde vt es un vector aleatorio con E(vt ) = 0 y V (vt ) = I. vt son las innovaciones ortogonales de "t . La idea es: vt ! Hvt ! "t ! Yt Entonces, lo que realmente nos interesa es @Yt+s =@vt . Problema: H no es unica. Si es simetrica y positiva denida, existe una unica matrix P no-singular y triangular inferior tal que P P 0 = . P es la matriz de Choleski de .
16
Yt =
s P vts =
s vts ;
s P
17
"1t "2t
P11 P21
0 P22
v1t v2t
"1t depende solo de v1t "2t depende de v1t y v2t La dependencia entre "1t y "2t es generada por esta estructura recursiva. Que implicaciones tiene, por ejemplo, si Y1 es la tasa de crecimiento de la cantidad nominal de dinero y Y2 es la tasa de inacion?
18
Notar que si
=4
11 0
0 22
3 5
=)
P =4
p 11 0
0 p 22
3 5
Si es diagonal el orden de la descomposicion de Choleski no importa. Trivialmente, las innovaciones originales son tambien las innovaciones ortogonales. En la practica, entonces, es importante evaluar empiricamente la diagonalidad de .
19
Si es simetrica y pd, existe una unica matriz H triangular inferior con 1's en la diagonal principal, y una unica matriz diagonal D con todos sus elementos positivos, tal que = HDH 0 . Si "t es un vector aleatorio con E("t ) = 0 y V ("t ) = , entonces "t puede escribirse com "t = Hut , con E(ut ) = 0 y V (ut ) = D, en donde H y D satisfacen = HDH 0 .
Notar que V (ujt ) = dj , el jesimo elemento de la diagonal principal de D. La idea, en este caso, es permitir que cada una de las innovaciones ortogonales tenga su propia varianza.
20
Disgresion notacional
X=4
Chequear que: 2
A1 A2
B1 B2
A B
XX 0 = 4
A1 A2
3 5
A1
A2
+4
B1 B2
3 5
B1
B2
0
i P xi x0 . i
En general, si xi es la i-esima columna de X , XX = Es facil vericar que si D es diagonal con elemento P di xi x0 caracteristico di , XDX 0 = i
21
Descomposicion de la varianza
Supongamos un VAR con N variables. Cuanto de la variabilidad total de una variable es atribuible a movimientos en cada una de las otras variables?
R2 en el modelo lineal: proporcion de la varianza de Y que es explicada por movimientos en X . La idea es proporcionar una idea similar para descomponer la variabilidad total de una variable del VAR en terminos de las variabilidades exogenas de cada una de las variables del sistema.
22
Yt =
1 X s=0
s "ts ;
0 = Im ; "t RBM
V (Yt ) = =
s 0 s s HDH 0 0 s s (N X
i=1
di hi h0 i
0 s )
di
(1 X
s=0
s hi h0 0 i s
23
V (Yt ) =
N X i=1 N X i=1
V (ui )
(1 X
s=0
s hi h0 0 i s
V (ui ) B (i)
V (Ytj ) =
N X i=1
V (ui )Bjj =
N X i=1
(i)
1=
V (Ytj )
zji
zji = proporcion de la varianza de la jesima variable que es explicada por el componente exogeno de cada una de las i = 1; 2; : : : ; N variables del sistema.
Walter Sosa Escudero. Econometria de Series Temporales 24
25
V (et+s ) = + 0 1 + 0 2 + + 0 s1 1 2 s1 Da una idea de la magnitud del error de prediccion (es el error cuadratico medio ya que la esperanza es cero!). Notar que cuando s ! 1, V (et+s ) ! V (Yt ).
Tests de hipotesis basicas en VAR Supongamos que nos interesa evaluar si cierta restriccion sobre los parametros del VAR es correcta, H0 : h() = 0 versus h() = 0 en donde son todos los parametros del VAR y h es cualquier funcion continua. Si "t RBN (0; )
^ ^ (T c) ln jr j ln ju j 2 (m)
^ asintoticamente bajo H0 , en donde r y u son las matrices de varianzas estimadas bajo el modelo restringido y sin restringir, respectivamente, m es el numero de restricciones, c es el numero de parametros estimados en cada ecuacion en el modelo sin restringir, y T es el numero de observaciones utilizables.
Walter Sosa Escudero. Econometria de Series Temporales 27
Ejemplos 1. Relevancia de rezagos: Ejemplo, si en con series trimestrales los rezagos del 9 al 12 son relevantes. Modelo sin restringir: incluye los 12 rezagos, sin restringir: solo los primeros 8. 2. Relevancia de variables: todos los rezagos de una variable son irrelevantes en todas las ecuaciones.
28
Causalidad de Granger
xt = c +
p X i=1
i xti +
p X i=1
i yti
29
Es uno de los resultados mas abusados en econometria. En realidad evalua si el pasado de yt contribuye a predecir xt . Es mas un test que tiene que ver con precedencia temporal y no con causalidad.
Ejemplo 1: Forward-looking behavior y precios de acciones. Ejemplo 2: Shocks en los precios de petroleo y recesiones. Ejemplo 3: Efectos reales del dinero (Stock y Watson (1989), Christiano y Ljungqvist (1988)).
30