Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Introducción Fundamentos Estadísticos Modelo de Regresión Lineal Clásico (MRLC) Propiedades de MCO y violación de supuestos Econometría Clase 1 Pérez Rojo, Flavio 14 Marzo, 2020 Pérez Rojo, Flavio Econometría Introducción Fundamentos Estadísticos Modelo de Regresión Lineal Clásico (MRLC) Propiedades de MCO y violación de supuestos Contents 1 Introducción 2 Fundamentos Estadísticos 3 Modelo de Regresión Lineal Clásico (MRLC) 4 Propiedades de MCO y violación de supuestos Pérez Rojo, Flavio Econometría Introducción Fundamentos Estadísticos Modelo de Regresión Lineal Clásico (MRLC) Propiedades de MCO y violación de supuestos Tipos de datos Se reconocen tres tipos: Corte transversal. Observación de muchos individuos o entidades en un momento del tiempo. Series de tiempo. Observación de un individuo o entidad a lo largo del tiempo. Panel. Observación de muchos individuos o entidades a lo largo del tiempo. Pérez Rojo, Flavio Econometría Introducción Fundamentos Estadísticos Modelo de Regresión Lineal Clásico (MRLC) Propiedades de MCO y violación de supuestos Tipos de relaciones Pueden darse dos tipos Determinística. El azar no está involucrado en el desarrollo de los estados. Un modelo determinístico producirá siempre la misma salida a partir del mismo estado inicial. Estadística/empírica. Pérez Rojo, Flavio Econometría Introducción Fundamentos Estadísticos Modelo de Regresión Lineal Clásico (MRLC) Propiedades de MCO y violación de supuestos Elementos básicos Una variable aleatoria (v .a.) es aquella que toma un valor númerico que será determinado por un experimento y cuya naturaleza es incierta. La v .a. se presenta con una letra mayúscula y la realización de la v .a. se presenta con una letra minúscula. Una función de distribución de probabilidad (f .d .p.) asigna probabilidades a las realizaciones de la v .a. Una función de masa de probabilidad es la distribución de probabilidad para v .a. discretas. Existe una probabilidad para un valor espéci�co, o un conjunto de valores. Una función de densidad de probabilidad es la distribución de probabilidad para v .a. continuas. Existe una probabilidad para un rango de valores. Pérez Rojo, Flavio Econometría Introducción Fundamentos Estadísticos Modelo de Regresión Lineal Clásico (MRLC) Propiedades de MCO y violación de supuestos Elementos básicos Una función de distribución conjunta especi�ca la probabilidad conjunta de observar realizaciones de dos o más variables aleatorias: fX ,Y (X = x ,Y = y) Una función de distribución condicional especi�ca la probabilidad de observar una variable dado que otra se ha realizado: fY (Y jX = x) Una función de distribución marginal especi�ca la probabilidad de observar una v .a : fX (X ) La relación entre estas distribuciones es fY (Y jX = x) = fX ,Y (X = x ,Y = y) fX (X jY = y) Pérez Rojo, Flavio Econometría Introducción Fundamentos Estadísticos Modelo de Regresión Lineal Clásico (MRLC) Propiedades de MCO y violación de supuestos Medidas de tendencia central Indican hacia que valor tienden con más frecuencia las realizaciones de una v .a. en múltiples experimentos La media equivale al promedio ponderado por las probabilidades de todos los posibles valores de una v .a.. Esta es la medida sugerida para una muestra simétrica. E (X ) = µ La moda es el valor que se observa con mayor frecuencia. Esta es medida más apropiada para variables nominales o categóricas. La mediana equivale al valor medio que separa en dos a la distribución. Esta medida es la más adecuada para información asimétrica o categórica. Asimismo, se sugiere emplear esta medida cuando existen outliers. Pérez Rojo, Flavio Econometría Introducción Fundamentos Estadísticos Modelo de Regresión Lineal Clásico (MRLC) Propiedades de MCO y violación de supuestos Medidas de dispersión Indican como se alejan los datos respecto de la media La varianza mide la dispersión o distancia de la información con respecto a la valor esperado de la v .a Var(X ) = E [(X � µ)2] La desviación estándar es la raíz cuadrada de la varianza. El rango intercuantil equivale a la distancia entre los cuantiles 25% y 75% de la muestra. Pérez Rojo, Flavio Econometría Introducción Fundamentos Estadísticos Modelo de Regresión Lineal Clásico (MRLC) Propiedades de MCO y violación de supuestos Medidas de asociación Indican el grado de asociación entre dos o más v .a. La covarianza equivale a la asociación entre los desvios de cada variable respecto de su media. Si las variables no tienen a coindicir en sus desvíos respecto de la media, la covarianza será baja Cov(X ,Y ) = E [X � µX ][Y � µY ] El coe�ciente de correlación estandariza los desvíos de la media de las variables aleatorias. ρX ,Y = Cov(X ,Y ) σX σY Pérez Rojo, Flavio Econometría Introducción Fundamentos Estadísticos Modelo de Regresión Lineal Clásico (MRLC) Propiedades de MCO y violación de supuestos Supuestos Sea el siguiente modelo Y = β1 + β2X1 + ...+ βNXN + e = X β+ e Los supuestos del MRLC son Lineal en parámetros Regresores no estocásticos Exogeneidad: E (ejX ) = 0 Perturbaciones esféricas: E (e2t jX ) = σ2, 8t = 1, ...,N (Homocedasticidad) Cov(ei , ej jX ) = 0, 8i 6= j (No autocorrelación) Pérez Rojo, Flavio Econometría Introducción Fundamentos Estadísticos Modelo de Regresión Lineal Clásico (MRLC) Propiedades de MCO y violación de supuestos Supuestos Rango completo Modelo correctamente especi�cado Forma funcional correcta No omisión de variables relevantes No inclusión de variables irrelevantes Normalidad en las perturbaciones: ejX � N(0, σ2) Pérez Rojo, Flavio Econometría Introducción Fundamentos Estadísticos Modelo de Regresión Lineal Clásico (MRLC) Propiedades de MCO y violación de supuestos Estimación por Mínimos Cuadrados Ordinarios Considerando el modelo bivariado Y = β1 + β2X + e, los estimadores obtenidos por MCO son bβ1 = Y � bβ2X , bβ2 = ∑(Xt�X )(Yt�Y )∑(Xt�X )2 Con valor esperado y varianza E (bβ1) = β1, Var(bβ1) = σ2 ∑Xt 2n∑(Xt�X )2 E (bβ2) = β2, Var(bβ2) = σ2n∑(Xt�X )2 Y con el estimador de la varianza s2 = ∑be2t /(N � 2) Pérez Rojo, Flavio Econometría Introducción Fundamentos Estadísticos Modelo de Regresión Lineal Clásico (MRLC) Propiedades de MCO y violación de supuestos Estimación por Mínimos Cuadrados Ordinarios Considerando el modelo multivariado Y = βX + e, los estimadores obtenidos por MCO son bβ = (X 0X )�1X 0Y Con valor esperado y varianza E (bβ) = β, Var(bβ) = σ2(X 0X )�1 Y con el estimador de la varianza s2 = be0be/(N �K ) Pérez Rojo, Flavio Econometría Introducción Fundamentos Estadísticos Modelo de Regresión Lineal Clásico (MRLC) Propiedades de MCO y violación de supuestos Descomposición de suma de cuadrados (K=2) La suma al cuadrado total es SST = ∑(Yt � Y ) La suma al cuadrado explicada es SSE = bβ22 ∑(Xt � X ) La suma al cuadrado residual es SSR = ∑be2t El ajuste del modelo es R2 = SSE SST = 1� SSR SST El ajuste del modelo penalizando regresores es R 2 = 1� SSR/(T �K ) SST/(T � 1) = 1� (1� R 2) T � 1 T �K Si hay intercepto entonces: R2 = ρ2X ,Y Pérez Rojo, Flavio Econometría Introducción Fundamentos Estadísticos Modelo de Regresión Lineal Clásico (MRLC) Propiedades de MCO y violación de supuestos Propiedades El teorema de Gauss-Markov sostiene que los estimadores de MCO tienen la menor varianza dentro de la clase de los estimadores lineales e insesgados. Por ello se dice que el estimador MCO es el mejor estimador linealmente insesgado: MELI La consistencia de los estimadores se da cuando a medida que aumenta la muestra el estimador tiende al parámetro que pretende estimar P lim[bβ] = β, P lim[s2] = σ2 La normalidad asintótica de los estimadores sostiene que cuando la muestra tienda a valores muy grandes el los estimadores de MCO presentan una distribución normal. Pérez Rojo, Flavio Econometría Introducción Fundamentos Estadísticos Modelo de Regresión Lineal Clásico (MRLC) Propiedades de MCO y violación de supuestos Violación de supuestos Problemas MCOSesgado Ine�ciente Inconsistente 1. Modelo Incorrectamente especi�cado 1.1. Omisión de variable relevante x x 1.2. Inclusión de variable irrelevante x 2. Multicolinealidad (imperfecta) x 3. Residuos no esféricos 3.1. Heterocedasticidad x 3.2. Autocorrelación x 4. Endogeneidad x x 5. Regresores no estocásticos 5.1. X y e dependientes x 5.2. Correlación parcial x 5.3. Correlación contemporánea x x Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Econometría Clase 2 Pérez Rojo, Flavio Abril, 2020 Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Contents 1 Inferencia y Pruebas de hipótesis 2 Detección de incumplimiento de supuestos de MCO Perturbaciones no esféricas Multicolinealidad imperfecta nociva Endogeneidad 3 Procesos estocásticos en Series de Tiempo I Propiedades en Series de Tiempo Análisis de procesos estocásticos Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Prueba de hipótesis Consideremos el siguiente modelo C = β0 + β1Y d + e La teoría keynesiana a�rma que el ingreso disponible afecta positivamente al consumo. Pero, ¿estadísticamente ese efecto será grande o pequeño? Para ello hay que realizar preguntas de inferencia sobre β1. En especí�co, nos interesa probar la siguiente hipótesis H0 : β1 = 0 El tipo de test será distinto dependiendo de la hipótesis anternativa (H1). En ese sentido, podemos tener 2 tipos de hipótesis alternativa Hipótesis a una cola: H0 : β1 < 0 o H0 : β1 > 0 Hipótesis a dos colas: H0 : β1 6= 0 Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Prueba de hipótesis a 1 cola derecha En este caso tenemos: H0 : β1 = 0 H1 : β1 > 0 Grá�camente Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Prueba de hipótesis a 1 cola izquierda En este caso tenemos: H0 : β1 = 0 H1 : β1 < 0 Grá�camente Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Prueba de hipótesis a 2 colas En este caso tenemos: H0 : β1 = 0 H1 : β1 6= 0 Grá�camente Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Normalidad Asumimos que los errores e tienen una distribución normal e � N(0, σ2I ) Dado que los estimadores de MCO son combinaciones lineales de Y , entonces seguirán una distribución normal, de manera que β1 � N(bβ1, σ2/ ∑(x � x)2) Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Regla de decisión En el análisis econométrico, los test son, en su mayoría a dos colas. Esto quiere decir que analizaremos lo siguiente H0 : β1 = 0 H1 : β1 6= 0 El rechazo o no rechazo de la hipótesis nula dependera de estadístico y del valor crítico asociado. El estadístico para la prueba de hipótesis se contruye de la siguiente manera: tbβ1 = bβ1�β1s .d .(bβ1) Comparamos este valor contra el valor crítico que es extraído de la tabla t-student t(1�α/2),donde α es el nivel de signi�cancia y es �jado por el investigador. Usualmente se ulitiza α = (10%, 5%, 1%). Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I p-value Este valor indica el menor nivel de signi�cancia con el cual podemos rechazar H0 p � value = 2xF �j bβ1 s.d .(bβ1) j,N �K ! donde F (.) es la función de distribución acumulada de la t-student y K es el número de parámetros. Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Error tipo I, error tipo II, tamaño y potencia Error tipo I: Rechazar la hipótesis nula siendo esta verdadera Error tipo II: No rechazar la hipótesis nula siendo falsa H0 es verdadera H0 es falsa Rechazar H0 Error tipo I(α) Decisión correcta No rechazar H0 Decisión correcta Error tipo II (β) La probabilidad de cometer el Error tipo I se denomina nivel de signi�cancia de un test y está simbolizado por α. Su otro nombre es �Tamaño�de un test: α = Pr[Rechazar H0 j H0 es verdadera] Asimismo, el complemento de la Probabilidad de cometer Error Tipo II se denonima "Potencia" y está simbolizado por λ λ = 1-Pr[No rechazar H0 j H0 es falsa] Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I ¿Cómo es la regla de decisión? Si el estadístico es mayor al valor crítico de tabla, entones rechazamos la nula, si es menor, no rechazamos la nula jtbβ1 j > t(1�α/2), Rechazamos H0 con α% de signi�cancia jtbβ1 j < t(1�α/2), No rechazamos H0 con α% de signi�cancia Si el test fuera a una sola cola, la regla de decisión es similar. Dependiendo del valor crítico podemos, nuetra conclusión de rechazar o no rechazas la hipótesis nula puede cambiar Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I El test F La prueba de hipótesis del test F es tal que H0 : Rβ� q = 0, H1 : Rβ� q 6= 0, donde R es una matriz JxK de valores no estocásticos, β es el vector de parámetros y q es un vector Jx1 de valores no estocásticos. Bajo H0, la siguiente expresión sigue una distribución F de Fisher con J grados de libertad en el numerador y N �K grados de libertad en el denomimador F[J ,N�K ] = (Rβ� q)0[R(s2X 0X )R 0]�1(Rβ� q) J Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I El test F La regla para la comprobación de H0 es F > F1�α(J,N �K ), Rechazamos H0 con α% de signi�cancia F < F1�α(J,N �K ), No rechazamos H0 con α% de signi�cancia Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I El test F: aplicación 1- prueba de signi�cancia conjunta La prueba de signi�cancia conjunta es tal que en un modelo Y = β0 + β1X1 + β2X2 + ...+ βKXK + e Y la hipótesis nula H0 : β1 = β2 = ... = βK = 0 En este caso, el test F guarda una relación directa con el R2 F[K�1,N�K ] = R2/(K � 1) (1� R2)/(N �K ) Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I El test F: aplicación 2 - modelos restricto e irrestricto Considerar un modelo irrestricto tal que Y = β0 + β1X1 + β2X2 + β3X3...+ βKXK + e Ahora considerar un modelo restricto donde β1 = 0 y β2 = 0 (Y = β0 + β3X3...+ βKXK + ε), se puede construír el test F de forma tal que F[K�1,N�K ] = (R 2�R 2� )/J (1�R 2)/(N�K ) , Donde R2 es obtenido de la regresión irrestricta, R2� es obtenido del modelo restricto, y J es el número de coe�cientes restringidos. También puede obtenerse el test F de la siguiente manera F[K�1,N�K ] = (bε0bε�be0be)/(K�1)be0be/(N�K ) , donde bε0bε es la SCR del modelo restricto mientras que be0be es la SCR del modelo irrestricto. Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Perturbaciones no esféricas Multicolinealidad imperfecta nociva Endogeneidad Perturbaciones no esféricas y MCG En el modeloasumiremos que Var(e) = V 6= σ2I Los estimadores siguen siendo insesgados pero con una nueva varianza Var(bβ) = (X 0X )�1XVX (X 0X )�1 Replantearemos al modelo premultiplicandolo por una matriz P que cumple P 0P = σ2V�1 y obtenemos bβMCG = (X 0V�1X )�1X 0V�1Y Var(bβMCG ) = (X 0V�1X )�1 Teorema de Aitken: para el modelo de perturbaciones no esféricas, el estimador MCG es el de menor varianza dentro de la clase de estimadores lineales e insesgados. Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Perturbaciones no esféricas Multicolinealidad imperfecta nociva Endogeneidad Heterocedasticidad Se presenta cuando la varianza de los términos de perturbación no es la misma para cada individuo o unidad de análisis. Es frecuente pensar que la varianza de los errores está relacionada con una o más de las variables exógenas. Por el lado de corte transversal, podría pensarse que el consumo es más variable para las personas de ingresos altos debido a sus mejores capacidades de ahorro, mientras que para los individuos de ingresos bajos, la variación es pequeña. Por el lado de series de tiempo, la variabilidad de los errores puede ser mayor en periodos de mayor inestabilidad económica. Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Perturbaciones no esféricas Multicolinealidad imperfecta nociva Endogeneidad Tests de Heterocedasticidad El test de White Considerar una regresión de la forma Y = β0 + β1X1 + β2X2 + e White Propone una regresión auxiliar tal que be2 = α0 + α1X1 + α2X2 + α3X1X2 + α4X 21 + α5X 22 + u H0: Homocedasticidad H1: Heterocedasticidad El estadístico de White es W = N � R2aux Y se compara contra valores críticos de una {2. Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Perturbaciones no esféricas Multicolinealidad imperfecta nociva Endogeneidad Tests de Heterocedasticidad El test de Breusch-Pagan-Godfrey Considerar una regresión de la forma Y = β0 + β1X1 + β2X2 + e White Propone una regresión auxiliar tal que be2bσ2 = α0 + α1X1 + α2X2 + α3Z1 + α4Z2 + � � �+ u H0: Homocedasticidad H1: Heterocedasticidad El estadístico de White es BPG = SCE/2 Y se compara contra valores críticos de una {2. Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Perturbaciones no esféricas Multicolinealidad imperfecta nociva Endogeneidad Tests de Heterocedasticidad Otros tests Test de Goldfeld-Quandt: Divide la muestra en dos secciones, una de baja varianza y una de alta varianza. Si existe diferencia signi�cativa en la SCR de la estimación de cada submuestra, existe evidencia de heterocedasticidad Test de Harvey: Similar al test de BPG. No obstante, varia la forma funcionalde la regresión auxiliar Test de Glejser: Similar al test de BPG. No obstante, varia la forma funcionalde la regresión auxiliar Test de efectos ARCH: Son test LM que identi�can si la varianza no es constante. Si se rechaza la hipótesis nula de ausencia de efectos ARCH, puede argumentarse que hay heterocedasticidad. Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Perturbaciones no esféricas Multicolinealidad imperfecta nociva Endogeneidad Correción de Heterocedasticidad Mínimos cuadrados generalizados factibles. Debemos realizar una conjetura de la forma de la heterocedasticidad. Varianzas corregidas de White: Considerando Var(bβ) = T�1(T�1X 0X )�1Q�(T�1X 0X )�1 con Q� = T�1XVX y utilizamos S0 = T�1 ∑be2xtx 0t de tal forma que plim(S0)=plim(Q�) Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Perturbaciones no esféricas Multicolinealidad imperfecta nociva Endogeneidad Autocorrelación Esto ocurre cuando la covarianza entre los términos de perturbación no es cero. Es más común en series de tiempo debido a la alta persistencia de las series macroeconómicas Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Perturbaciones no esféricas Multicolinealidad imperfecta nociva Endogeneidad Tests de Autocorrelación El test de Durbin-Watson Considerar una regresión de la forma Y = β0 + β1X1 + e El estadístico de DW es DW = ∑(bet�bet�1)2 ∑be2t = 2(1� bφ) donde bφ es el parámetro de una regresión sin intercepto entre bet ybet�1.La regla de decisión del test de DW es DW �! 0 Hay autocorrelación positiva DW �! 4 Hay autocorrelación negativa DW �! 2 No hay autocorrelación negativa Este test solo detecta aucotorrelación de orden 1 Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Perturbaciones no esféricas Multicolinealidad imperfecta nociva Endogeneidad Tests de Autocorrelación El test de Breusch-Godfrey Considerar una regresión de la forma Y = X β+ e BG proponen una regresión auxiliar tal que bet = α1bet�1 + α2bet�2 + � � �+ αqbet�q + Xα+ u El estadístico es tal que BG = (N � q)R2� Donde R2� corresponde a la segunda ecuación. El estadístico se compara contra valores críticos de una {2. Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Perturbaciones no esféricas Multicolinealidad imperfecta nociva Endogeneidad Tests de Autocorrelación Otros tests ACF-PACF Ljung-Box: QLB = n(n+ 2)∑hk=1 bρ2k n�k donde n es el tamaño de la muestra, bρk es la autocorrelación de la muestra de orden k y h es el número de rezagos que se están probando. La región crítica para el rechazo de H0: Los datos se distribuyen de forma independiente, contra H1: Los datos no se distribuyen de forma independiente es QLB > {2. Box-Pierce: QBP = n∑hk=1 bρ2k Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Perturbaciones no esféricas Multicolinealidad imperfecta nociva Endogeneidad Correción de Autocorrelación Estimación en primeras diferencias de las variables Estimación por MCG: Cochrane-Orcutt y Prais-Winsten Estimación de Newey-West Procedimiento de Hildreth�Lu Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Perturbaciones no esféricas Multicolinealidad imperfecta nociva Endogeneidad Correción de Autocorrelación Estimación por MCG Si consideramos que los errores siguen un proceso AR(1) et = φet�1 + ut , podemos obtener la matriz P que garantiza P 0P = Ω�1 siendo esta matriz bV = 26666664 q 1� φ2 0 0 � � � 0 0 �φ 1 0 � � � 0 0 0 �φ 1 � � � 0 0 ... ... ... ... ... 0 0 0 � � � �φ 1 37777775 Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Perturbaciones no esféricas Multicolinealidad imperfecta nociva Endogeneidad Correción de Autocorrelación Estimación de Newey West Proponen un estimador de las varianzas y covarianzas bV : bV = 2666664 bγ0 bγ1 bγ2 � � � bγn�1bγ1 bγ0 bγ1 � � � bγn�2bγ2 bγ1 bγ0 � � � bγn�3 ... ... ... . . . ...bγn�1 bγn�2 bγn�3 � � � bγ0 3777775 donde bγj = (1� jq+1 ) 1n ∑nt=j+1 betbet�j si 0 � j � q y bγj = 0 si j > q, donde q son los rezagos usados en la estimación. Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCOProcesos estocásticos en Series de Tiempo I Perturbaciones no esféricas Multicolinealidad imperfecta nociva Endogeneidad MIN El supuesto de rango completo de la matriz no se cumple y, por ende, no es posible calcular (X 0X )�1. El efecto es un incremento sustancial de la varianza de los estimadores. Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Perturbaciones no esféricas Multicolinealidad imperfecta nociva Endogeneidad MIN: Detección Presencia de estadísticos t bajos y estadístico de signi�cancia conjunta F alto. Los estimadores cambian abruptamente al aumentar las observaciones Índice de condición de rango: IC = p λmax/λmin donde λ es un valor propio de la matriz (X 0X ). Si IC > 20 se tiene MIN. Factor de In�ación de Varianza: VIF = 1/(1� R2Z ) donde R2z se obtiene de la regresión entre Z , variable que puede generar MIN, y el resto de explicativas. Si VIF > 10 entonces hay MIN. Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Perturbaciones no esféricas Multicolinealidad imperfecta nociva Endogeneidad MIN: Corrección Regresión Ridge: Se multiplica a la diagonal de la matriz XX́ por un escalar λ obteniendo el estimadorbβRIDGE = (X 0X + λI )�1X 0Y . Este estimador sería sesgado pero tiene menor varianza que el de MCO. Método de reducción de dimensiones. Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Perturbaciones no esféricas Multicolinealidad imperfecta nociva Endogeneidad Endogeneidad La endogeneidad se puede presentar cuando hay un error en la medición de las variables. Por ejemplo, cuando utilizamos variables proxy para capturar variables inobservables. Asimismo, en la mayoría de modelos se presenta la causalidad simultánea Por último, se puede dar cuando omitimos variables que están correlacionadas con los regresores Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Perturbaciones no esféricas Multicolinealidad imperfecta nociva Endogeneidad Variables instrumentales Supongamos que tenemos una variable Z tal que cumple las condicones de relevancia (cov(Z ,X ) 6= 0) y exogeneidad (Cov(Z , e) = 0), planteamos un estimador consistente bβIV = SYZSXZ donde SYZ es la covarianza muestral entre Y y Z , mientras que SXZ es el análogo entre X y Z . Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Perturbaciones no esféricas Multicolinealidad imperfecta nociva Endogeneidad VI Veri�cación de instrumentos relevantes: Utilizamos la F de Staiger y Stock. Validez de la exogeneidad de los instrumentos: Utilizamos el test de Sargan y su generalización para errores robustos en el test J de Hansen. Test de Endogeneidad: Utilizamos el estadístico H de Hausman. Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Perturbaciones no esféricas Multicolinealidad imperfecta nociva Endogeneidad MCO2E El estimador de variables instrumentales puede interpretarse como el resultado de un procedimiento en dos etapas. 1 Regresionamos por MCO al regresor endógeno contra el resto de regresores y los instrumentos que cumplen las condiciones de relevancia y exogeneidad. Luego, calculamos la predicción. 2 Usamos a la predicción en vez de los regresores que generan endogeneidad y estimamos por MCO. El estimador MCO será consistente Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Propiedades en Series de Tiempo Análisis de procesos estocásticos Series de Tiempo Considerar un modelo autoregresivo de orden uno: yt = φyt�1 + et donde ahora las observaciones corresponden a realizaciones de un proceso que evoluciona a través del tiempo. Una pregunta pertinente es si los supuestos del MRLC se cumplen. 1 Linealidad en parámetros X 2 Exogeneidad estricta 3 No multicolinealidad X 4 Perturbaciones esféricas X 5 Regresor no estocástico Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Propiedades en Series de Tiempo Análisis de procesos estocásticos Exogeneidad estricta El supuesto de exogeneidad estricta plantea que para cualquiera que sea s: E (et jys ) = 0 8s, t = 1, ...,T Asumamos que este supuesto se cumple y evaluemos sus implicancias para el caso en que s = t � 1. 1 E (etyt�1) = E (E (etyt�1jyt�1)jyt�1) = E (yt�1(et jyt�1)jyt�1) = 0 2 Cov(et , yt�1) = E (etyt�1)� E (et )E (yt�1) = 0 Ambas implicancias se mantienen ¿Donde reside el problema? Calculemos la esperanza en tiempo corriente: E (etyt ) = E ((φyt�1 + et )et ) E (etyt ) = φyt�1E (et ) + E (e2t ) E (etyt ) = σ2 Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Propiedades en Series de Tiempo Análisis de procesos estocásticos Exogeneidad estricta Ahora iterando el PGD un periodo adelante: yt+1 = φyt + et+1 Podemos observar que yt es una variable regresora de yt+1. En este caso se sigue cumpliendo que E (et+1yt ) = 0 Sin embargo, hemos probado que E (etyt ) = σ2 Entonces, se viola el supuesto de exogeneidad estricta que establece E (et jys ) = 0 8s, t = 1, ...,T . Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Propiedades en Series de Tiempo Análisis de procesos estocásticos Regresor no estocástico Estudiemos las implicancias del comportamiento del regresor. Iteremos el PGD algunos períodos hacia atrás: yt�1 = φyt�2 + et�1 yt�2 = φyt�3 + et�2 ... y2 = φy1 + e2 Luego reemplacemos estas relaciones encontradas iterativamente yt = φty1 +∑T�1i=0 φ i et�i El proceso autoregresivo es una acumulación de choques aleatorios. En ese sentido, el regreso no es �jo, y representa la acumulación de otros choques. Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Propiedades en Series de Tiempo Análisis de procesos estocásticos Insesgadez Al obtener el estimador de MCO: bφ = φ+ ∑Tt=2 yt�1et ∑Tt=2 y 2t�1 Evaluamos el sesgo tomando valor esperado: E (bφ) = φ+ E �∑Tt=2 yt�1et ∑Tt=2 y 2t�1 � Como el numerador no es independiente del denominador, pues contiene a yt�1, la cual es una variable aleatoria, podemos a�rmar que el estimador de MCO es sesgado. El tamaño del sesgo es Sesgo = E � ∑Tt=2 yt�1et ∑Tt=2 y 2t�1 � Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Propiedades en Series de Tiempo Análisis de procesos estocásticos Consistencia Aún podemos encontrar esperanza invocando la ley de los grandes números. Aplicamos el operador plim: p lim(bφ) = φ+ p lim�∑Tt=2 yt�1et ∑Tt=2 y 2t�1 � = φ+ p lim T �1 ∑Tt=2 yt�1et p lim T �1 ∑Tt=2 y 2t�1 Donde, p limT�1 ∑Tt=2 yt�1et �! E (yt�1et ) = 0 p limT�1 ∑Tt=2 y2t�1 �! q < ∞ A partir de ello, podemos llegar a p lim(bφ) = φ Sin embargo, dicho resultado estará condicionado a la talla de la muestra Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Propiedades en Series de Tiempo Análisis de procesos estocásticos Procesos estocásticos y seriesde tiempo Un proceso estocástico es una función con dos argumentos X (t,ω), ωeΩ donde ω es el espacio muestral. El indexador t representa el tiempo. Ω es el conjunto de todas las posibles secuencias de observaciones que pueden ser generadas por el proceso. Para un t �jo decimos que X (t, .) es una variable aleatoria y para un ω �jo decimos que X (.,ω) es la realización del proceso, i.e., una serie de tiempo. Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Propiedades en Series de Tiempo Análisis de procesos estocásticos Estacionariedad fuerte y débil Estacionariedad débil o en covarianzas o de segundo orden: El proceso Yt es estacionario en covarianzas si sus dos primeros momentos son invariantes con el tiempo. Estacionariedad fuerte o estricta: El proceso Yt es fuertemente estacionario si, para cualesquiera valores j1,j2,...,jn, la distribución conjunta de (Y1,Yj1 ,Yj2 ...,Yjn ) no depende del tiempo Ergodicidad: Un proceso es ergódico si es asintóticamente independiente, esto es, si dos variables aleatorias cualesquiera que están lo su�cientemente alejadas casi no están correlacionados. Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Propiedades en Series de Tiempo Análisis de procesos estocásticos De�niciones Primer momento: E (yt ) = E (yt+k ) = µ Segundo momento: Var(yt ) = Var(yt+k ) = σ2 Autocovarianzas: Cov [yt � µ, yt+k � µ] = E [(yt � µ)(yt+k � µ)] = γk Autocorrelación: Corr(yt , yt�k ) = γk γ0 = ρk Operador de rezagos: Lyt = yt�1 =) Lkyt = yt�k Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Propiedades en Series de Tiempo Análisis de procesos estocásticos Modelos de series de Tiempo Ruido Blanco yt = et , et � N(0, σ2) Primer momento E (yt ) = 0 Segundo momento Var(yt ) = σ2 Covarianzas Cov(yt , yt�k ) = E (ytyt�k ) = E (etet�k ) = 0 Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Propiedades en Series de Tiempo Análisis de procesos estocásticos Modelos de series de Tiempo AR(1) yt = φyt�1 + et , et � N(0, σ2) Iterando hacia atrás dy reemplazando términos, obtenemos: yt = φty1 +∑T�1i=0 φ i et�i Empleando el operador de rezagos L tal que Lyt = yt�1, podemos reescribir el modelo AR(1) así: (1� φL)yt = et yt = ∑∞i=0 φi et�i Que es la misma representación que la anterior cuando t �! ∞ y jφj < 1 Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Propiedades en Series de Tiempo Análisis de procesos estocásticos Modelos de series de Tiempo AR(1) Asumiendo un proceso estacionario, jφj < 1, El primer momento E (yt ) = φE (yt�1) + E (et ) E (y) = φE (y) + E (et ) E (y) = 11�φE (et ) �! E (y) = 0 El segundo momento Var(yt ) = Var(φyt�1 + et ) Var(y) = φ2Var(y) + Var(et ) Var(y) = 1 1�φ2Var(et ) �! Var(y) = 1 1�φ2 σ 2 Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Propiedades en Series de Tiempo Análisis de procesos estocásticos Modelos de series de Tiempo AR(1) con media yt = δ+ φyt�1 + et , et � N(0, σ2) Primer momento E (yt ) = δ+ φE (yt�1) + E (et ) E (y) = δ+ φE (y) + E (et ) E (y) = δ1�φ + 1 1�φE (et ) �! E (y) = δ 1�φ = µ Segundo momento Var(yt ) = Var(δ+ φyt�1 + et ) Var(y) = φ2Var(y) + Var(et ) Var(y) = 1 1�φ2Var(et ) �! Var(y) = 1 1�φ2 σ 2 Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Propiedades en Series de Tiempo Análisis de procesos estocásticos Modelos de series de Tiempo MA(1) yt = et + θet�1, et � N(0, σ2) Que puede ser expresado como yt = (1+ θL)et Primer momento E (yt ) = E (et ) + θE (et�1) E (y) = 0 Segundo momento Var(yt ) = Var(et + θet�1) Var(y) = θ2Var(et�1) + Var(et ) Var(y) = σ2(1+ θ2) Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Propiedades en Series de Tiempo Análisis de procesos estocásticos Modelos de series de Tiempo ARMA(p,q) En general, cualquier serie de tiempo estacionaria puede expresarse utilizando una combinación lineal de WN: AR(p): yt = φ1yt�1 + φ2yt�2 + ...+ φpyt�p + et MA(q): yt = et + θ1et�1 + θ2et�2 + ...+ θqet�q La forma más general de estos procesos se denomina modelos ARMA. Un modelo ARMA(p,q) tiene la forma yt = φ1yt�1 + φ2yt�2 + ...+ φpyt�p + et + θ1et�1 + θ2et�2 + ...+ θqet�q Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Propiedades en Series de Tiempo Análisis de procesos estocásticos Modelos de series de Tiempo ARMA(p,q) Los modelos anteriores pueden escribirse así: AR(p): (1� φ1L� φ2L2 � ...� φpLp)yt = et MA(q): yt = (1+ θ1L+ θ2L2 + ...+ θqLp)et ARMA(p,q): (1� φ1L� φ2L2 � ...� φpLp)yt = (1+ θ1L+ θ2L2 + ...+ θqLp)et Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Propiedades en Series de Tiempo Análisis de procesos estocásticos Estacionariedad e Invertibilidad Estacionarieda: Todo proceso AR(1) puede ser llevado a un modelo MA(∞) yt = φyt�1 + et (1� φL)yt = et yt = ∑∞i=0 φi et�i Si y solo si jφj < 1,se cumple la condición de estacionariedad Invertibilidad: Todo proceso MA(1) puede ser llevado a un modelo AR(∞) yt = et + θet�1 yt = (1+ θL)et et = ∑∞i=1 �θiyt�i Si y solo si jθj < 1,se cumple la condición de invertibilidad Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Propiedades en Series de Tiempo Análisis de procesos estocásticos Estacionariedad e Invertibilidad Estacionariedad: Todo proceso AR(p) puede ser llevado a un modelo MA(∞) yt = φ1yt�1 + φ2yt�2 + ...+ φpyt�p + et (1� φ1L� φ2L2 � ...� φpLp)yt = et Φ(L)yt = et si las raíces de Φ(L) están fuera del círculo unitario Invertibilidad: Todo proceso MA(q) puede ser llevado a un modelo AR(∞) yt = et + θ1et�1 + θ2et�2 + ...+ θqet�q yt = (1+ θ1L+ θ2L2 + ...+ θqLp)et yt = Θ(L)et si las raíces de Θ(L) están fuera del círculo unitario Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Propiedades en Series de Tiempo Análisis de procesos estocásticos Determinación del orden ARMA Autocorrelación Simple (ACF-FAS) En el rezago k, es la autocorrelación entre los valores de las series que se encuentran a k intervalos de distancia. Nos Permite identi�car el orden AR de una serie Autocorrelación Parcial (ACF-FAP) En el retardo k, es la autocorrelación entre los valores de las series que se encuentran a k intervalos de distancia, teniendo en cuenta los valores de los intervalos intermedios. Nos Permite identi�car el orden MA de una serie Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Propiedades en Series de Tiempo Análisis de procesos estocásticos Determinación del orden ARMA Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Propiedades en Series de Tiempo Análisis de procesos estocásticos Descomposición de una serie de tiempo Toda serie de tiempotiene la siguiente representación fundamental: Multiplicativa yt = Ct � Tt � St � It o tomando logartimos Aditiva yt = Ct + Tt + St + It Donde Ct es el componente cíclico, Tt es el componente tendencial, St es el componente estacional, It es el componente irregular Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Propiedades en Series de Tiempo Análisis de procesos estocásticos Descomposición de una serie de tiempo Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Propiedades en Series de Tiempo Análisis de procesos estocásticos Descomposición de una serie de tiempo ¿Cómo calculamos dichos componentes? Los componentes St e It Census X-13 Tramo/Seats Los componentes Ct y Tt son calculados con �ltros estadísticos Hodrick�Prescott Baxter-king Christiano-Fitzgerald Modelo espacio-estado: Filtro de Kalman Pérez Rojo, Flavio Econometría Inferencia y Pruebas de hipótesis Detección de incumplimiento de supuestos de MCO Procesos estocásticos en Series de Tiempo I Propiedades en Series de Tiempo Análisis de procesos estocásticos Metodología de Box-Jenkins 1 Pasos previos: Desestacionalizar la serie y tomar primeras diferencias 2 Analizar el correlograma y proponer un modelo 3 Estimación del modelo 4 Veri�cación: analizamos el correlograma de los residuos y si aun existe correlación en los residuos regresamos al paso 2 5 Proyectamos el modelo Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Econometría Clase 3 Pérez Rojo, Flavio Abril, 2020 Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Contents 1 Procesos estocásticos en series de tiempo II Inferencia en Procesos Estocásticos Ciclos económicos 2 Análisis Multivariado Modelos VAR Modelos SVAR Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Inferencia en Procesos Estocásticos Ciclos económicos Causalidad y descomposición de Wold Sea un proceso ARMA(p, q) Φ(L)yt = Θ(L)et será causal si existe una solución de la forma siguiente yt = Φ(L)�1Θ(L)et = Ψ(L)et donde Ψ(L) = 1+ ψ1L+ ψ2L 2 + ... y ∑∞j=0 ψj < ∞. Para que exista Φ(L)�1 el proceso debe ser estacionario. Todo proceso que es covarianza estacionario puede representarse por yt = ∑∞j=0 ψjet , la cual se conoce como representación de Wold y consiste en un polinomio MA(∞) Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Inferencia en Procesos Estocásticos Ciclos económicos Ejemplo Sea un proceso ARMA(p, q) yt = 2+ 1.3yt�1 � 0.4yt�2 + et � et�1 (1� 1.3L+ 0.4L2)yt = (1� L)et Para determinar si es estacionario e invertible debemos hallar las raíces de Φ(L) y Θ(L). Es decir, debemos resolver 1� 1.3z + 0.4z2 = 0^ 1� c = donde (z1, z2) = (2, 1.25) y c = 1. Como las raíces z están fuera del círculo unitario entonces el proceso es estacionario, pero no es invertible dado que la raíz c está en el círculo unitario. Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Inferencia en Procesos Estocásticos Ciclos económicos Modelos no estacionarios Tendencia determinística Es un proceso donde la variable crece alrededor de una tendencia y no existe mayor incertidumbre acerca de la evolución de la variable. yt = c + δt + et Para volver estacionaria la serie y poder estimar modelos realizamos un proceso de detrending Tendencia estocástica Este proceso evoluciona a través del tiempo, pero existe incertidumbre acerca del comportamiento de dicha evolución yt = c + yt�1 + et Para volver estacionaria la serie y poder estimar modelos realizamos un proceso de di¤erencing ¿Cómo diferenciar a qué tipo de serie nos enfrentamos? Test de raíz unitaria Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Inferencia en Procesos Estocásticos Ciclos económicos Test de raíz unitaria Imaginemos que tenemos el siguiente modelo yt = c + φyt�1 + et y realizamos el siguiente contraste H0 : φ = 1 H1 : φ < 1 Los resultados indicarían que si, Rechazamos H0: la serie es estacionaria No rechazamos H0: la serie es un random walk El estadístico de prueba es t = bφ�1 s .d .(bφ) ¿Qué sucede con nuestro contraste bajo H0? Tendremos un problema serio... Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Inferencia en Procesos Estocásticos Ciclos económicos Test de raíz unitaria Si estimamos el modelo por MCO, obtendremos: bφ = ∑Tt=2 yt�1yt ∑Tt=2 y 2t�1 = ∑ T t=2 yt�1(φyt�1+et ) ∑Tt=2 y 2t�1bφ = φ+ ∑Tt=2 yt�1+et ∑Tt=2 y 2t�1 ! bφ� φ = T �1/2 ∑Tt=2 yt�1+et T �1 ∑Tt=2 y 2t�1 Luego, por la ley de los grandes números (Hamilton (1994) pp. 216) T 1/2(bφ� φ) d�! N(0, 1� φ2)bφ d�! N(φ,T�1(1� φ2)) Pero, bajo H0 bφ d�! N(1, 0) Lo cual no tiene sentido, ¿cómo obtenemos los valores críticos? Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Inferencia en Procesos Estocásticos Ciclos económicos Test de raíz unitaria Al respecto, Phillips (1987) demostró que bajo la hipótesis de raíz unitaria, se presentan las siguientes convergencias: T�2 ∑Tt=2 y2t�1 d�! σ2 R 1 0 W 2(r)dr T�2 ∑Tt=2 yt�1et d�! σ2 R 1 0 W (r)dW (r) Donde W (r) denota un movimiento browniano (Proceso de Wiener) de�nido en el intervalo unitario. Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Inferencia en Procesos Estocásticos Ciclos económicos Test de raíz unitaria En general, los tests de raíz unitaria son sesgados hacia la izquierda y pueden presentar diversas especi�caciones de componentes determinísticos (constante, tendencia, constante y tendencia, quiebre en constante, etc.) y los valores críticos serán más negativos a medida que agregamos mayores componentes. El p-value ya no tiene sentido por que la distribución ya no es normal Asimismo, dado que bajo H0 se presentan distorsiones, el criterio de rechazo incorpora sólo una cola Estadístico < Valor crítico: Rechazo H0 Estadístico > Valor crítico: No rechazo H0 Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Inferencia en Procesos Estocásticos Ciclos económicos El test de Dickey-Fuller (DF) El base a estas distribuciones, se pueden construir los test propuestos por Dickey and Fuller (1979, 1981). En particular, estos autores proponen 2 test: T (bφ� 1) = T �1 ∑Tt=2 yt�1+et T �2 ∑Tt=2 y 2t�1 d�! R 1 0 W (r )dW (r )R 1 0 W 2(r )dr tbφ = T �1 ∑Tt=2 yt�1+etbσ(T �2 ∑Tt=2 y 2t�1)1/2 d�! R 1 0 W (r )dW (r ) ( R 1 0 W 2(r )dr )1/2 Donde W(r) denota un movimiento browniano (Proceso de Wiener) de�nido en el intervalo unitario. Una característica peculiar de este test es que considera que los errores son i .i .d . Sin embargo, hay dos tests que relajan este supuesto. Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Inferencia en Procesos Estocásticos Ciclos económicos El test de Dickey-Fuller aumentado (ADF) Este test a diferencia del anterior tiene el objetivo de controlar la autocorrelación del error de una forma paramétrica. Se formula de la siguiente manera ∆eyt = φ0eyt�1 +∑ki=1 bi∆eyt�i + et Donde,φ0 = φ� 1, ey es la serie descontada de componentes determinísticos y k es el número de rezagos seleccionados de acuerdo a algún criterio de selección. En este caso, el contraste es distinto. Ahora utilizamos el estadístico t pero considerando H0 : φ0 = 0 H1 : φ0 < 0 Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Inferencia en Procesos Estocásticos Ciclos económicos Selección de rezagos Criterios de información kaic =argminfkg log(s 2 ek ) + 2k T kbic = argminfkg log(s 2 ek ) + log(T )k T El criterio AIC/BIC suele escoger un mayor/menor nivel de rezagos al óptimo por ende se tiene un problema de tamaño/potencia. Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Inferencia en Procesos Estocásticos Ciclos económicos Selección de rezagos Criterios de información modi�cados kmic = argminfkg log(s 2 ek ) + CT [bτT (k )+k ] TbτT (k) = (s2ek )�1bφ20 ∑Tt=2 y2t�1 donde el modelo MAIC utiliza CT = 2 mientras que el MBIC utiliza CT = log(T ). Ng y Perron (2001) recomiendan el MAIC mientras que la ventaja del MBIC es que considera la posible dependencia de bφ20 con k. Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Inferencia en Procesos Estocásticos Ciclos económicos Test de raíz unitaria El problema de los tests DF y ADF es que adolecen de potencia. En el ideal buscamos una potencia del 100 %, osea rechazar una hipótesis nula que efectivamente es falsa el 100 % de las veces. Sin embargo, en estos tests la potencia es baja. Informalmente hablando, la potencia de estos test puede ser mucho menos que el 100 %, imaginemos 50 %, esto implica que solo el 50 % de las veces rechazaríamos una hipótesis falsa. Por esta razón se desarrollaron más test de raíz unitaria Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Inferencia en Procesos Estocásticos Ciclos económicos Los tests Z de Phillips y Perron A diferencia del test ADF, en estos tests se controla la autocorrelación pero de manera semiparamétrica. En este caso, estiman yt = ψ0zt + φyt�1 + et y utilizan los residuos bet para construir un estimador de σ2 bσ2 = s2 = T�1 ∑be2t + 2T�1 ∑kτ=1 ω(τ, k)∑Tt=τ+1 betbet�τ ω(τ, k) = 1� τk+1 Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Inferencia en Procesos Estocásticos Ciclos económicos Los tests Z de Phillips y Perron Con este estimador los estadísticos Z convergen a los tests de DF . Zbφ = T (bφ� 1)� 0.5(s2�bs2e )T �2 ∑Tt=2 y 2t�1 d�! R 1 0 W (r )dW (r )R 1 0 W 2(r )dr Zt = (bses )tbφ � 0.5(s2�bs2e )(T �2 ∑Tt=2 y 2t�1)1/2 d�! R 1 0 W (r )dW (r ) ( R 1 0 W 2(r )dr )1/2 donde bs2e es la primera varianza estimada. Estos tests presentan una distorsión de size cuando existe autocorrelación AR y MA pero es más marcada en el segundo caso. Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Inferencia en Procesos Estocásticos Ciclos económicos Otros tests de raíz unitaria Kwiatkowski, Phillips, Schmidt y Shin (1992): Test KPSS . Aquí H0 es estacionariedad. Stock (1999) y Perron Ng (1996): Tests M. Para su implementación requieren la estimación de ADF Elliot, Rothenberg y Stock (1996) y Ng-Perron (2001): Test ADFGLS . Se traba en el marco local a la unidad utilizando datos transformados por un proceso GLS generando una ganancia de potencia Dufour y King (1991) y ERS (1996): Test de punto factible óptimo Perron (1989,1997), Zivot y Andrews (1992), Perron y Rodríguez (2003): Tests con cambio estructural. La mala especi�cación de los componentes determinísticos genera el rechazo de H0 de raíz unitaria Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Inferencia en Procesos Estocásticos Ciclos económicos Series integradas Una vez que detectamos que existe presencia de raíz unitaria, procedemos a diferenciar la serie (calcular la tasa de crecimiento). yt �! ∆yt�1 Ahora probamos la existencia de raíz unitaria en las diferencias, es decir en ∆yt . Si yt tenía raíz unitaria y su diferencia ∆yt no tiene raíz unitaria, se dice que yt es integrada de orden 1. yt �! I (1) Cuando una serie no requiere de tomar diferencias para que sea estacionaria se dice que es integrada de orden 0. Siguiendo el ejemplo anterior, ∆yt seria integrada de orden cero: ∆yt �! I (0) Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Inferencia en Procesos Estocásticos Ciclos económicos ARIMA Una vez que detectamos que la serie es una marcha aleatoria (tiene raíz unitaria), la serie requiere ser diferenciada. Si buscamos proyectar la serie en diferencias y empleamos un modelo ARMA, en realidad vamos a estimar un modelo ARIMA, donde: (i) AR, proceso autoregresivo; (ii) I, número de integraciones; y (iii) MA, proceso de medias moviles En el tema anterior cuando estimamos un modelo ARMA(1,1) yt = c + φyt�1 + et + θet�1 en realidad estabamos estimando un modelo ARIMA(1,1,1) del PBI porque tomabamos primeras diferencias: ∆PBIt = c + φ∆PBIt�1 + et + θet�1 Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Inferencia en Procesos Estocásticos Ciclos económicos Ciclos económicos Los ciclos económicos existen bajo el supuesto de rigideces nominales en la producci´on de las �rmas. El ciclo económico se de�ne como: yt = log(Yt )� log(Y t ) Donde Yt es el PBI observado y Y t es el PBI potencial o PBI de precios �exibles. Grá�camente, los ciclos económicos tienen la siguiente forma Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Inferencia en Procesos Estocásticos Ciclos económicos El PBI potencial El objetivo es estimar el PBI potencial Y t que es una variable no observable. Esto se puede hacer a través de distintos métodos: 1 Tendencia Lineal 2 Tendencia Cuadrática 3 Filtro Hodrick-Prescott 4 Filtro Baxter-King 5 Filtro Christiano-Fitzgerald 6 Filtro de Kalman Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Inferencia en Procesos Estocásticos Ciclos económicos Tendencia lineal Este sencillo método consiste en estimar una tendencia lineal en el logaritmo del PBI desestacionalizado. Primero se estima la ecuación: log(Yt ) = c + δt + et Luego, se procede a eliminar el componente tendencial mediante la resta de la constante y la tendencia: log(Y t ) = log(Yt )� bc � bδt Finalmente el ciclo económico es calculado como la resta entre log(Yt ) y la tendencia calculada log(Y t ) = log(Yt )� log(Y t ) Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Inferencia en Procesos Estocásticos Ciclos económicos Tendencia cuadrática El procedimiento es equivalente al caso anterior, pero con una tendencia cuadrática. Primero se estima la ecuación: log(Yt ) = c + δt2 + et Luego, se procede a eliminar el componente tendencial mediante la resta de la constante y la tendencia: log(Y t ) = log(Yt )� bc � bδt2 Finalmente el ciclo económico es calculado como la resta entre log(Yt ) y la tendencia calculada yt = log(Yt )� log(Y t ) Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Inferencia en Procesos Estocásticos Ciclos económicos Filtro Hodrick-Prescott El �ltro de Hodrick-Prescott (HP) calcula la tendencia de una serie minimizando la siguiente función. minτ h ∑Tt=1(log(Yt )� τt )2 + λ ∑Tt=1[(τt+1 � τt )� (τt � τt�1)] i Donde τt = log(Y t ) y λ es el parámetro de suavizamiento. Cuando λ ! 0, τt = log(Yt ), es decir la misma serie Cuando λ ! ∞, τt es una tendencia lineal El parametro λ tiene las siguientes especi�caciones: λ = 100 para series anuales λ = 1600 para series trimestrales λ = 14400 para series mensuales Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Inferencia en Procesos Estocásticos Ciclos económicos Filtro Hodrick-Prescott En síntesis el �ltro considera un componente irregular I (0) y un componente tendencial que es I (2) Algunas desventajas de este �ltro: Los componentes irregular (cíclico) y tendencial (potencial) son no correlacionados entre ellos, lo cual es incompatible con la teoría de los ciclos económicos La serie consideradaes I (2), lo cual es incompatible con datos de PBI, por ejemplo El componente irregular es ruido blanco. No necesariamente el componente cíclico del PBI es ruido blanco El parámetro λ está especi�cado ad-hoc, no existe un estimador e�ciente de los valores que debe tomar Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Inferencia en Procesos Estocásticos Ciclos económicos Filtro Baxter-King Calcula la tendencia de una serie empleando procesos moving-average. Minimiza la discrepancia entre el �ltro �ideal� y la aproximacion estadística a través de rezagos. Más rezagos, mayor precisión pero se pierden observaciones. Establece un orden en la periodicidad de los ciclos entre 6 a 32 trimestres Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Inferencia en Procesos Estocásticos Ciclos económicos Filtros HP-BK Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Inferencia en Procesos Estocásticos Ciclos económicos Filtros HP-BK Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Inferencia en Procesos Estocásticos Ciclos económicos Filtro Christiano-Fitzgerald Emplea procesos moving-average En su versión simétrica emplea rezagos para aproximarse al �ltro �ideal� y pierde observaciones. En su versión asimétrica emplea toda la muestra. Las diferencias no son mayores, pero en el caso asimétrico se ganan observaciones. Requiere establecer si la serie es estacionaria o no. Empleando un test de raíz unitaria puede determinarse si es estacionaria, en dicho caso se especi�ca que la serie es I (1) Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Inferencia en Procesos Estocásticos Ciclos económicos Filtro de Kalman Es un algoritmo que forma predicciones de factores latentes, basándose en sus medias condicionales, y luego las actualiza en forma sistemática conforme sean dispuestas más medidas de las variables observadas El algoritmo del �ltro posee una estructura recursiva En general, bajo el supuesto que los parámetros son conocidos, deviramos el algoritmo. Sin embargo, podemos estimar los parámetros por máxima verosimilitud. Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Modelos VAR Modelos SVAR Modelos VAR Es uno de los modelos más �exibles y fáciles para el análisis de las series de tiempo multivariadas. Sims (1980) fue su creador Es utilizado para describir el comportamiento dinámico de series económicas y �nancieras, y para hacer buenas predicciones Es utilizado para inferencia estructural y análisis de política Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Modelos VAR Modelos SVAR Modelos VAR Sea Yt = (y1t , y2t , ..., ynt )0 un vector de n series de tiempo. El VAR de p rezagos toma la forma Yt = c +Π1Yt�1 +Π2Yt�2 + � � �+ et , et � WN(0,Σ) En este modelo cada variable tiene los mismos regresores. Asimismo, se evita la endogeneidad debido a que se utiliza rezagos de las endógenas. Π(L)Yt = c + et ,Π(L) = In �Π1L�Π2L2 � ...�ΠpLp El modelo VAR(p) será estable si las raíces del polinomio Π(L) caen fuera del círculo unitario o tienen módulos mayores a uno. Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Modelos VAR Modelos SVAR Representación de Wold Considerando el VAR(p) estacionario, entonces la inversa de Π(L) existe Yt = Π(L)�1c +Π(L)�1et Yt = µ+Ψ(L)et = µ+∑∞k=0 Ψk et�k donde limk!∞ Ψk = 0. Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Modelos VAR Modelos SVAR Estimación Considerando el VAR(p) estacionario, entonces el modelo puede ser estimado ecuación por ecuación por MCO sin perder e�ciencia relativa a MCG. Entonces tenemos los siguientes resultados bΠ = [bΠ1, bΠ2, ..., bΠp ]bet = Yt � bΠZtbΣ = (T � n(p + 1))�1 ∑Tt=1 betbe0t Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Modelos VAR Modelos SVAR Selección de rezagos Empleamos criterios de seleccion: Akaike (AIC): ln jbΣ(p)j+ 2T�1pn2 Schwarz (BIC): ln jbΣ(p)j+ T�1 ln(T )pn2 Hannan-Quinn (HQ): ln jbΣ(p)j+ 2T�1 ln(ln(T ))pn2 AIC suele sobreestimar mientras que BIC y HQ estiman el rezago consistentemente si el verdadero rezago es igual o menor al máximo planteado. Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Modelos VAR Modelos SVAR Causalidad a la Granger Si una variable o un grupo de variables, y1, ayuda a predecir otra variable o grupo de variables, y2, entonces y1 causa a la Granger a y2; caso contrario, y1 falla en causar a la Granger a y2. Notacionalmente, y1 falla en causar a la Granger a y2 si para todo s > 0 el MSE de una predicción de y2,t+s basado en (y2,t , y2,t�1, ...) es igual al MSE de una predicción de y2,t+s basado en (y2,t , y2,t�1, ...) y (y1,t , y1,t�1, ...) Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Modelos VAR Modelos SVAR Ejemplo Podemos pensar en un esquema neokeynesiano (NK) de la forma yt = Eyt+1 + 1σ (it � Eπt+1) + e y t πt = βEπt+1 + κyt + eπt it = ρ+ φππt + φy yt + e i t Donde yt es la brecha del producto, πt es la in�ación e it es la tasa de interés. Asimismo, eyt son los choques de demanda, e π t son los choques de oferta y eit son los choques de política monetaria. Para estudiar el impacto de los choques sobre la actividad económica, i .e movimientos de eyt , e π t y e i t , podemos seguir dos caminos: Estimar el modelo NK y simular choques Estimar un modelo de estructural de vectores autoregresivos (SVAR) y simular choques Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Modelos VAR Modelos SVAR SVAR Forma estructural Se denominan estructurales debido a que provienen de alguna teoría económica y buscan capturar los choques que describen un modelo macroeconómico estimándolos directamente de los datos. Un modelo SVAR bivariado en su forma estructural con un rezago tiene la siguiente forma compacta: BYt = γ0 +zYt�1 + εt , εt � i .i .d .N(0,D) y la siguiente forma extensiva� 1 b12 b21 1 � � yt πt � =� γ10 γ20 � + � γ11 γ12 γ21 γ22 � � yt�1 πt�1 � + � εyt επt � , D = � σ2y 0 0 σ2π � Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Modelos VAR Modelos SVAR SVAR Forma reducida Los errores exógenos son independientes y son interpretados como errores estructurales. El SVAR(1) puede obtenerse la forma reducida de la siguiente forma Yt = B�1γ0 +B �1zYt�1 +B�1εt Yt = c +ΦYt�1 + et , et � N(0,Ω) y la siguiente forma extensiva� yt πt � = � c1 c2 � + � φ11 φ12 φ21 φ22 � � yt�1 πt�1 � + � eyt eπt � , Ω = � var(eyt ) cov(e y t , e π t ) cov(eπt , e y t ) var(e π t ) � Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Modelos VAR Modelos SVAR SVAR Estacionariedad e identi�cación El modelo reducido será estacionario si las raíces de la matriz Φ están fuera del círculo unitario det(I2 �Φλ) = 0 Los parámetros de la forma estructural no se pueden obtener en base a los de la forma reducida. Por ejemplo, en el caso de un rezago y dos variables se tiene 10 parámetros estructurales (2 varianzas y 8 coe�cientes) mientras que hay 9 parámetros reducidos (3 varianzas-covarianzas y 6 parámetros). Es necesario añadir algún tipo de restricción sobre los parámetros. Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Modelos VAR Modelos SVAR SVAR Representación MA Si recordamos los modelos ARMA, una especi�cación AR estacionaria puede convertirse en un modelo MA in�nito. Aplicando esta misma idea al modeloSVAR reducido, el cual asumimos que es estacionario Yt = c +ΦYt�1 + et (1�ΦL)Yt = c + et Yt = (1�Φ)�1c +∑∞i=0 Φi et�i Yt = η +∑∞i=0 Ψi et�i Donde la pontencia i representa multiplicaciones sucesivas de la matriz Φ. Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Modelos VAR Modelos SVAR SVAR Representación MA estructural A partir de la representación MA reducida se puede obtener la estructural reemplazando B�1εt = et Yt = η +∑∞i=0 ΨiB�1εt�i Yt = η +∑∞i=0 Θi εt�i , Θi = ΨiB�1� yt πt � = � η1 η2 � + " θ (0) 11 θ (0) 12 θ (0) 21 θ (0) 22 # � εyt επt � +" θ (1) 11 θ (1) 12 θ (1) 21 θ (1) 22 # � εyt�1 επt�1 � + " θ (2) 11 θ (2) 12 θ (2) 21 θ (2) 22 # � εyt�2 επt�2 � + � � � Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Modelos VAR Modelos SVAR Estimación de los modelos SVAR El procedimiento debe ser el siguiente 1 Estimar Φ usando los datos 2 Estimar Ψi usando bΦ 3 Estimar B en base a las igualdades que da el modelo SVAR 4 Dado bB y bΨi estimar Θk Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Modelos VAR Modelos SVAR Análisis de los modelos SVAR Proveen fundamentalmente dos tipos de análisis: Interacción entre series (Análisis histórico) Proyecciones (Análisis a futuro) El primer punto es el más empleado para estudiar fenómenos macroeconómicos y evaluar políticas. Al respecto, los modelos VAR proveen tres herramientas: Funciones de impulso respuesta (IRF): comportamiento de las variables frente a los choques Descomposición de la varianza del error de predicción (FEVD): comportamiento de las proyecciones de las variables tomando en cuenta el tamaño del choque Descomposición histórica (HD): evolución histórica de los choques y su rol en los ciclos económicos. Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Modelos VAR Modelos SVAR IRF Si nos interesa el efecto contemporáneo de un choque de demanda sobre el PBI, calculamos la derivada: ∂yt ∂επt = θ (0) 12 Si nos interesa el efecto un periodo después: ∂yt+1 ∂επt = ∂yt∂επt�1 = θ (1) 12 En general, si nos interesa el efecto en un período s después ∂yt+s ∂επt = ∂yt∂επt�s = θ (s) 12 Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Modelos VAR Modelos SVAR IRF Si nos interesa el efecto en el largo plazo debemos utilizar la matriz de impacto de largo plazo de�nida como: Θ(1) = � θ11(1) θ12(1) θ21(1) θ22(1) � = " ∑∞s=0 θ (s) 11 ∑ ∞ s=0 θ (s) 12 ∑∞s=0 θ (s) 21 ∑ ∞ s=0 θ (s) 22 # En nuestro modelo los choques no son permanentes debido a que asumimos que el modelo es estacionario. Para veri�carlo podemos emplear un test de raíz unitaria para cada serie. Luego, si no rechazamos la nula diferenciamos la serie y la introducimos al modelo. Por otro lado, podemos hacer un detrending de las series e introducir el componente cíclico en el modelo. Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Modelos VAR Modelos SVAR Signi�cancia de las IRF Dado que estamos trabajando con datos reales, tenemos márgenes de error para medir la signi�cancia de los resultados. En el contexto del análisis de las IRF, la signi�cancia se ve a través de sus bandas de con�anza. La interpretación es así: Si en un periodo particular la IRF junto con las bandas de con�anza se encuentran solo en el cuadrante positivo se dice que dicho choque positivo es signi�cativo. Si en un periodo particular la IRF junto con las bandas de con�anza se encuentran solo en el cuadrante negativo se dice que dicho choque negativo es signi�cativo. Si en un periodo particular la IRF se encuentra en un cuadrante pero las bandas de con�anza se encuentran en los cuadrantes positivo y negativo, dicho choque no es signi�cativo. Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Modelos VAR Modelos SVAR FEVD Determina la proporción de la variabilidad de los errores de predicción de yt y πt en el tiempo t + s basado en la información disponible en t que está dada por la varianza de los choques estructurales entre t y t + s La varianza del error de predicción en el período t + s es var(yt+s � byt+s jt ) = σ2y �(θ(0)11 )2 + � � � (θ(s�1)11 )2�+ σ2π � (θ (0) 12 ) 2 + � � � (θ(s�1)12 )2 � = σ2y (s) La proporción asociado al error εy y επ es respectivamente: ρ1,1(s) = σ2y � (θ (0) 11 ) 2+���(θ(s�1)11 )2 � σ2y (s) ; ρ1,2(s) = σ2π � (θ (0) 12 ) 2+���(θ(s�1)12 )2 � σ2y (s) Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Modelos VAR Modelos SVAR SVAR Series I(1) no cointegradas En este caso, los modelos deben estimarse en primeras diferencias y los choques son hacia las tasas de crecimiento. Sin embargo, también podemos encontrar los impactos de un choque en t al nivel de las variables en t + s partiendo de yt+s = yt�1 + ∆yt + ∆yt+1 + � � �+ ∆yt+s ∂yt+s ∂επt = ∂yt�1∂επt + ∂∆yt∂επt + ∂∆yt+1∂επt + � � �+ ∂∆yt+s∂επt ∂yt+s ∂επt = ∑sk=0 θ (k ) 12 En este caso, el impacto del choque de in�ación al nivel del producto es igual a la suma acumulada del impacto deε επt sobre ∆y hasta el horizonte s. Entonces, el impacto de largo plazo es lims�!∞ ∂yt+s ∂επt = θ12(1) Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Modelos VAR Modelos SVAR Precisiones Problema de identi�cación. El modelo SVAR no puede estimarse. Se requiere estimar primero el modelo VAR reducido y luego estimar el modelo SVAR. El análisis en los VAR reducidos es cuestionable debido a que los choques están correlacionados. Esto implica que no puede analizarse las implicancias de las políticas macro. Para este caso se emplean los modelos SVAR. Los modelos SVAR en su forma reducida se emplean solamente para proyecciones Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Modelos VAR Modelos SVAR Metodos de especi�cación Restricciones de corto plazo (se le suele llamar identi�cación recursiva, Cholesky u ortogonal) Restricciones de largo plazo (Blanchard-Quah) Restricciones basadas en la teoría Restricciones de signo Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Modelos VAR Modelos SVAR IRF Ejemplo corto plazo Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Modelos VAR Modelos SVAR IRF Ejemplo restricciones de signo Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Modelos VAR Modelos SVAR FEVD Ejemplo corto plazo Pérez Rojo, Flavio Econometría Procesos estocásticos en series de tiempo II Análisis Multivariado Modelos VAR Modelos SVAR FEVD Ejemplo restricciones de signo Pérez Rojo, Flavio Econometría Cointegración Econometría Financiera Econometría Clase 4 Pérez Rojo, Flavio Abril, 2020 Pérez Rojo, Flavio Econometría Cointegración Econometría Financiera Contents 1 Cointegración 2 Econometría Financiera Pérez Rojo, Flavio Econometría Cointegración Econometría Financiera Cointegración La teoría económica a menudo sugiere que ciertas variables económicas o �nancieras, usualmente no estacionarias, tienen una relación económica a largo plazo. Así puede a�rmarse que entre dos series no estacionarias puede existir una relación que sea estacionaria o cointegran. Pérez Rojo, Flavio Econometría Cointegración Econometría Financiera Cointegración La hipótesis de ingreso permanente (PIH) implica cointegración entre el consumo y el ingreso. La paridad de poder de compra (PPP) implica la cointegración entre los tipo de cambio nominal y precios extranjeros y nacionales. La ecuación de Fisher implica cointegración entre nominal, tasas de interés e in�ación. La hipótesisde expectativas de la estructura temporal implica la cointegración entre los tipos de interés nominales a diferentes vencimientos Pérez Rojo, Flavio Econometría Cointegración Econometría Financiera Ejemplo 1 Consumo Keynesiano Pérez Rojo, Flavio Econometría Cointegración Econometría Financiera Ejemplo 2 Tasas de interés Pérez Rojo, Flavio Econometría Cointegración Econometría Financiera Cointegración Dos series no estacionarias de orden a y b son cointegradas de orden b si presentan una combinación lineal que es integrada de orden a� b. Sea Yt = (y1t , y2t , � � � , ynt )0 un vector de n series de tiempo I (1). Yt cointegra si existe un vector β = (β1, β2, � � � , βn)0 tal que β0Yt = β1y1t + � � �+ βnynt � I (0) La combinación lineal está motivada por teoría económica y consiste en una relación de equilibrio de largo plazo. Series de tiempo I (1) con una relación de equilibrio de largo plazo no se pueden desviar mucho de un equilibrio porque las fuerzas económicas intercederán para restaurar la relación de equilibrio. Pérez Rojo, Flavio Econometría Cointegración Econometría Financiera Cointegración Normalización. Para identi�car únicamente un vector de cointegración β consideramos β = (1,�β2, ...,�βn)0 para que β0Yt = y1t � β2y2t � � � � βnynt = ut donde ut � I (0). En el equilibrio ut = 0 y la relación de equilibrio de largo plazo es y1t � β2y2t � � � � βnynt . Múltiples relaciones de cointegración. El vector Yt debe tener 0 < r < n vectores de cointegración linealmente independientes. Tendencias comunes. Si Yt cointegra con 0 < r < n vectores de cointegración entonces hay n-r tendencias estocásticas I (1) comunes Pérez Rojo, Flavio Econometría Cointegración Econometría Financiera Regresión Espurea Se da cuando todas las variables son I (1) y no cointegran. Es decir, no hay ninguna combinación lineal que sea I (0). Considere Yt = (y1t ,Y 02t ) y1t = bβ2Y 02t + but Debido a que y1t no cointegra con Y 02t el verdadero valor de bβ2 es cero y la regresión es espurea dado que bu � I (1) Pérez Rojo, Flavio Econometría Cointegración Econometría Financiera Regresión Espurea Phillips (1986) bβ2 no converge en probabilidad a cero. En cambio, converge a una variable aleatoria con distribución no-normal que no necesariamente está centrada en cero. Los estadísticos t usuales para testear que β2 es cero divergen a a medida que T �! ∞. Por ende, usar la inferencia asintótica usual y una muestra grande implicará que parezca que Yt cointegra. El R2 converge a uno a medida que T �! ∞. El modelo aparenta tener un buen ajuste pese a que está mal especi�cado. Pérez Rojo, Flavio Econometría Cointegración Econometría Financiera Cointegración Los tests de cointegración abordan dos situaciones: Hay un vector de cointegración. Engle y Granger (1986) desarrollan un test de dos etapas basado en los residuos usando técnicas de regresion. Existen dos casos Cuando el vector de cointegración es pre-especi�cado Cuando el vector de cointegración es estimado Hay 0 < r < n vectores de cointegración. Johansen (1988) desarrolla un procedimiento secuencial para determinar la existencia de cointegración y determinar el número de vectores de cointegración basándose en técnicas de máxima verosimilitud. Pérez Rojo, Flavio Econometría Cointegración Econometría Financiera Engle y Granger El procedimiento consiste en dos etapas Obtener los residuos de la relación de cointegración β0Yt = ut Realizar un test de raíz unitaria para determinar si ut es I (0) Las series cointegran si el residuo no tiene raíz unitaria. En ese sentido, la hipótesis nula es que las series no cointegran. Pérez Rojo, Flavio Econometría Cointegración Econometría Financiera Engle y Granger Vector de cointegración pre-especi�cado Sea β el vector pre-especi�cado los residuos son ut = β 0Yt Las hipótesis a testear son H0 : ut = β0Yt � I (1) no cointegran H1 : ut = β0Yt � I (0) si cointegran Cualquier test de raíz unitaria puede ser utilizado. Los tests más usados son ADF y PP pero también se puede utilizar los tests ERS y Ng-Perron que son los más potentes El residuo de la relación de cointegración puede incluir componentes determinísticos; por ende, los tests deben considerarlos. Pérez Rojo, Flavio Econometría Cointegración Econometría Financiera Engle y Granger Vector de cointegración pre-especi�cado Debido a que β no es conocido debe ser estimado pero para ello debe normalizarse. Engle y Granger consideran estimar el vector de cointegración β2 normalizado por MCO y1t = γ0Dt + β 0 2Y2t + ut donde Dt son términos determinísticos y testeamos la raíz unitaria de but sin considerar componentes determinísticos. Pérez Rojo, Flavio Econometría Cointegración Econometría Financiera Engle y Granger Valores críticos Phillips y Ouliaris argumentan que el error ut sigue una distribución Dickey-Fuller bajo la hipotesis nula de no cointegración solo en el caso en que β es conocido. Si el valor de β no es conocido, como pasa en la práctica, entonces la distribución cambia y sigue la distribución de Phillips y Ouliaris Debido al fenómeno de regresión espurea bajo la hipótesis nula, las distribuciones asintóticas dependen de Términos determinísticos en la regresión utilizada para estimar β El número de variables Pérez Rojo, Flavio Econometría Cointegración Econometría Financiera Cointegración Estimaciones basadas en regresiones Stock (1987) y Phillips (1991) muestran que T (bβ2 � β2) converge en distribución a una variable aleatoria no normal no necesariamente centrada en cero. Por ende, la fórmula para calcular su varianza es incorrecta y los errores estándar de MCO son no correctos El estimador de MCO de β2 es super consistente pese a que sea correlacionado con ut . Por lo cual, no existe asintóticamente sesgo de simultaniedad El estimador de MCO de β2 puede ser sustancialmente sesgado y no e�ciente en muestras pequeñas Pérez Rojo, Flavio Econometría Cointegración Econometría Financiera Cointegración DOLS de Stock y Watson (1993) Proponen un método para estimar un estimador consistente, asintóticamente normal y e�ciente del vector de cointegración (Mínimos cuadrados dinámicos: DOLS) y una fórmula para obtener su varianza asintótica. El procedimiento consiste en 1. Aumentar a la regresión con rezagos y adelantos de ∆Y2t y1t = γ0Dt + β 0 2Y2t +∑ p j=�p ψ 0 j∆Y2t�j + ut 2. Los errores estándar válidos para los elementos individuales debβ2,DOLS está dado por las desviaciones estándar de MCO multiplicado por � bσ2uclrv (ut )�1/2,donde bσ2u es el estimador de MCO yclrv(ut ) es cualquier estimador consistente de largo plazo. Pérez Rojo, Flavio Econometría Cointegración Econometría Financiera VECM Si las series son no estacionarias podemos aplicar el VAR a las series en diferencias si no cointegren o un VECM (Modelo de correción de errores vectorial) si cointegran. Si existen relaciones de cointegración en un modelo VAR y no se aplica un VECM, se incurrirá en un error de variable omitida relevante, generando sesgos en la estimación. Considerando el vector Yt = (y1t , y2t )0 I (1) y que β = (1,�β2)0 representa el vector de cointegración, Engle y Granger (1987) muestran que la cointegración implica un VECM ∆y1t = c1 + α1(y1t�1 � β2y2t�1) +∑2i=1 Φ1i (L)∆yit + e1t ∆y2t = c2 + α2(y1t�1 � β2y2t�1) +∑2i=1 Φ2i (L)∆yit + e1t A través de un VECM puede establecerse la existencia de causalidad a la Granger. Pérez Rojo, Flavio Econometría Cointegración Econometría Financiera El VAR cointegrado Considerar el siguiente modelo VAR Yt = ΦDt +Π1Yt�1 + � � �+ΠpYt�p + et Transformamos dicho modelo en su forma VECM ∆Yt = ΦDt +ΠYt�1 + Γ1∆Yt�1 + � � �+ Γp�1∆Yt�p+1 + et donde Π = ∑pi=1 Πi � I y Γk = �∑ p j=k+1 Πi para k = 1, 2, ..., p � 1 Pérez Rojo, Flavio Econometría Cointegración Econometría Financiera El VAR cointegrado En el VECM el único término que incluye términos I (1) es ΠYt�1 y para que ∆Yt sea I (0) entonces ΠYt�1 debe ser también I (0). Es decir, ΠYt�1 debe contener las relaciones
Compartir