El documento describe los modelos de vectores autorregresivos (VAR), los cuales permiten modelar la dinámica entre varias variables económicas de manera conjunta. Explica que un VAR consiste en un sistema de ecuaciones donde cada variable depende de sus propios valores pasados y de los valores pasados de las otras variables. También cubre temas como la estimación de los modelos VAR, la determinación del número óptimo de rezagos, y el uso de criterios de información como Akaike y Schwarz para seleccionar el número de rezagos.
0 calificaciones0% encontró este documento útil (0 votos)
201 vistas14 páginas
El documento describe los modelos de vectores autorregresivos (VAR), los cuales permiten modelar la dinámica entre varias variables económicas de manera conjunta. Explica que un VAR consiste en un sistema de ecuaciones donde cada variable depende de sus propios valores pasados y de los valores pasados de las otras variables. También cubre temas como la estimación de los modelos VAR, la determinación del número óptimo de rezagos, y el uso de criterios de información como Akaike y Schwarz para seleccionar el número de rezagos.
El documento describe los modelos de vectores autorregresivos (VAR), los cuales permiten modelar la dinámica entre varias variables económicas de manera conjunta. Explica que un VAR consiste en un sistema de ecuaciones donde cada variable depende de sus propios valores pasados y de los valores pasados de las otras variables. También cubre temas como la estimación de los modelos VAR, la determinación del número óptimo de rezagos, y el uso de criterios de información como Akaike y Schwarz para seleccionar el número de rezagos.
El documento describe los modelos de vectores autorregresivos (VAR), los cuales permiten modelar la dinámica entre varias variables económicas de manera conjunta. Explica que un VAR consiste en un sistema de ecuaciones donde cada variable depende de sus propios valores pasados y de los valores pasados de las otras variables. También cubre temas como la estimación de los modelos VAR, la determinación del número óptimo de rezagos, y el uso de criterios de información como Akaike y Schwarz para seleccionar el número de rezagos.
Descargue como PDF, TXT o lea en línea desde Scribd
Descargar como pdf o txt
Está en la página 1/ 14
Econometría 2
Vectores Autorregresivos Parte I Prof. Luis García Vectores Autorregresivos (VAR) • El análisis ARMA es un análisis univariado, sin embargo en economía lo común es trabajar con varias variables económicas que se interrelacionan.
• Por ejemplo, la inflación y la devaluación podrían estar interrelacionadas.
• Tal vez una devaluación podría afectar a los productos importados (por ejemplo, el precio del trigo), lo cual afectaría el precio del pan.
• Para modelar estas relaciones podemos usar los modelos de ecuaciones
estructurales, tal como vimos con los modelos de ecuaciones simultáneas.
• Recordemos que en esos modelos, las teorías económicas definen a las
variables endógenas y las predeterminadas (endógenas rezagadas y exógenas).
2 Vectores Autorregresivos (VAR) • Adicionalmente, para obtener la identificación de las ecuaciones se hacían necesarias algunas restricciones de exclusión.
• Al respecto, Sims (1980) criticó a estos modelos pues consideraba “poco
creíbles” la especificación de las ecuaciones y sus restricciones identificatorias.
• Alternativamente, Sims propuso un modelo ateórico en donde todas las
variables que se interrelacionan son consideradas como endógenas.
• Asimismo, en este modelo (en su forma reducida), cada variable depende de
sus rezagos y de los rezagos de las demás variables, con la esperanza de que estos rezagos puedan explicar el comportamiento de las series.
3 Vectores Autorregresivos (VAR) • El objetivo del modelo VAR es dejar que los datos mismos “hablen” y nos digan cómo se relacionan las variables económicas, sin imponer restricciones. • El caso más simple es el de un modelo con dos series estacionarias 𝑦1𝑡 y 𝑦2𝑡 y un rezago, llamado modelo VAR(1).
𝑦1𝑡 = 𝑎10 + 𝑎11 𝑦1𝑡−1 + 𝑎12 𝑦2𝑡−1 + 𝑢1𝑡
𝑦2𝑡 = 𝑎20 + 𝑎21 𝑦1𝑡−1 + 𝑎22 𝑦2𝑡−1 + 𝑢2𝑡
• En este modelo, 𝑎10 , 𝑎11 , … , 𝑎22 son parámetros de la forma reducida, y 𝑢1𝑡 y 𝑢2𝑡 son los errores reducidos, los cuales se encuentran correlacionados, 𝐶𝑜𝑣 𝑢1𝑡 , 𝑢2𝑡 ≠ 0. • Se asume que estos errores no presentan autocorrelación, son normales y homocedásticos.
5 Vectores Autorregresivos (VAR) • Como podemos ver, el modelo (1) es un modelo autorregresivo, y podría entenderse como una extensión vectorial al modelo AR(1).
• Similarmente se pueden plantear modelo VAR(2), VAR(3), etc. simplemente
• En general, un 𝑉𝐴𝑅𝑚 𝑝 es un modelo para el vector (𝑦1𝑡 , 𝑦2𝑡 , … , 𝑦𝑚𝑡 ) con 𝑝
rezagos. • En ese caso, 𝐴0 es 𝑚 × 1, y cada 𝐴𝑗 es 𝑚 × 𝑚 para 𝑗 = 1, … , 𝑝.
6 Estimación de los modelos VAR • Como se trata de formas reducidas, los modelos VAR pueden estimarse consistentemente por Mínimos Cuadrados Ordinarios. También pueden estimarse por Máxima Verosimilitud.
• Ejemplo: Estimación del modelo VAR de la inflación y la devaluación.
• Usando los datos que tenemos de inflación y devaluación estimamos un modelo
VAR(1).
7 Estimación del modelo VAR(1)
var modelo1.ls 1 1 inflac deval
8 Sample (adjusted): 2000M03 2019M12 Included observations: 238 after adjustments Standard errors in ( ) & t-statistics in [ ] VAR(2) INFLAC DEVAL
C 0.172173 -0.048166 (0.02744) (0.09854) [ 6.27524] [-0.48880]
R-squared 0.117935 0.175837
Adj. R-squared 0.094925 0.154337 Sum sq. resids 19.10266 246.4007 S.E. equation 0.288193 1.035040 F-statistic 5.125292 8.178513 Log likelihood -37.87785 -340.8980 Akaike AIC 0.378716 2.935848 Schwarz SC 0.481148 3.038280 10 Determinación del número de rezagos • Nótese que el número de parámetros a estimar crece fuertemente con el número de variables en el vector 𝑦𝑡 y con los rezagos 𝑝. • Así, si tenemos que en un VAR(p) con “m” variables en el vector 𝑦𝑡 ,
𝑦𝑡 = 𝐴0 + 𝐴1 𝑦𝑡−1 + ⋯ + 𝐴𝑝 𝑦𝑡−𝑝 + 𝑢𝑡 𝑚×1 𝑚×𝑚 𝑚×𝑚 𝑝 𝑣𝑒𝑐𝑒𝑠 𝜎12 𝜎12 ⋯ 𝜎1𝑚 𝜎12 𝜎22 𝜎2𝑚 𝑉𝑎𝑟 𝑢𝑡 = Σ = 𝑚×𝑚 ⋮ ⋱ ⋮ 2 𝜎1𝑚 𝜎2𝑚 ⋯ 𝜎𝑚 𝑚× 𝑚+1 • N° de parámetros: 𝑚 + 𝑝𝑚2 + 2 • Por ejemplo, si 𝑚 = 4 y 𝑝 = 5, el número de parámetros a estimar es 94.
11 Determinación del número de rezagos • Si nuestros datos son de baja frecuencia (por ejemplo, anuales o trimestrales), será difícil estimar tantos parámetros sin perder grados de libertad. • Un VAR con muchos rezagos incrementa su poder predictivo pero se pierden grados de libertad. • Es recomendable encontrar el número de rezagos óptimo. • No es recomendable aplicar pruebas F a los coeficientes de cada ecuación. • Mejor trabajar con las versiones apropiadas de Akaike, Schwarz y Hannan-Quinn. 𝐴𝐼𝐶 = 𝑇 ln |Σ| + 2𝐾 𝑆𝐶 = 𝑇 ln Σ + 𝐾. ln(𝑇) 𝐻𝑄 = 𝑇 ln Σ + 2 ln ln 𝑇 . 𝐾
• Donde |Σ| es el determinante de la matriz de varianzas y covarianzas de los
residuos y 𝐾 = 𝑚 + 𝑝𝑚2 .
12 Determinación del número de rezagos VAR Lag Order Selection Criteria Endogenous variables: INFLAC DEVAL Exogenous variables: C Date: 06/16/21 Time: 23:26 Sample: 2000M01 2019M12 Included observations: 236 modelo1.laglen(4) Lag LogL LR FPE AIC SC HQ
0 -414.6787 NA 0.117117 3.531175 3.560530 3.543009
LR: sequential modified LR test statistic (each test at 5% level) FPE: Final prediction error AIC: Akaike information criterion SC: Schwarz information criterion HQ: Hannan-Quinn information criterion
• Según AIC se deben tomar 3 rezagos mientras que según SC y HQ solo uno. • Si el objetivo es tener una buena predicción, preferir el criterio AIC. • Si el objetivo es encontrar el verdadero orden del VAR del proceso generador de datos y tener estimaciones consistentes, guiarse por SC y HQ. • En muestras pequeñas, AIC se desempeña mejor que los otros dos. 13 Determinación del número de rezagos • Recordar que los criterios de Akaike y Schwarz no se usan para pruebas de hipótesis, sino son indicadores de la bondad de ajuste.
• Si queremos probar la hipótesis 𝐻0 : 𝐴𝑝 = 0 se puede usar el test de razón de
verosimilitud, siendo el estadístico:
𝑅𝑉 = (𝑇 − 𝑐)(ln Σ𝑅 − ln |Σ𝑈 |)
• Donde los subíndices se refieren a los modelos restricto e irrestricto, y 𝑐 =
número de parámetros en una ecuación (intercepto + pendientes). 𝑎 • Bajo la nula, 𝑅𝑉~𝜒 2 (𝑚2 ).
