Modelos econométricos dinámicos:

modelos autorregresivos y de
rezagos distribuidos
Econ. Luis Gabriel Pinos L.
 MODELOS DE REZAGOS DISTRIBUIDOS Y AUTOREGRESIVOS
En el análisis de regresión con datos de series de tiempo, cuando el modelo de regresión incluye no
sólo valores actuales sino además valores rezagados (pasados) de las variables explicativas (las X), se
denomina modelo de rezagos distribuidos.

Si el modelo incluye uno o más valores rezagados de la variable dependiente entre sus variables
explicativas, se denomina modelo autorregresivo. Estos también se conocen como modelos dinámicos,
pues señalan la trayectoria en el tiempo de la variable dependiente en relación con su(s) valor(es)
pasado(s).
 Preguntas iniciales del capítulo
1. ¿Cuál es el papel de los rezagos en economía?
2. ¿Con qué razones se justifican los rezagos?
3. ¿Existe alguna justificación teórica para los modelos rezagados
comunes en la econometría empírica?
4. ¿Cuál es la relación, si acaso, entre los modelos autorregresivos y los
modelos de rezagos distribuidos? ¿Pueden derivarse unos de otros?
5. ¿Cuáles son algunos problemas estadísticos relacionados con la
estimación de tales modelos?
6. ¿La relación adelantada-rezagada entre variables implica causalidad?
De ser así, ¿cómo se mide?
 El papel del “tiempo” o “rezago” en economía
• En economía, la dependencia de la variable dependiente (Y) respecto de otra u otras variables
explicativas (X) pocas veces es instantánea. Con frecuencia Y responde a X en un lapso, el cual se
denomina rezago.
Ejemplo:
Una persona recibe un incremento salarial de $2 000 en su pago anual y que se trata de un incremento
“permanente”. ¿Cuál será el efecto de este incremento en el ingreso sobre su gasto de consumo anual?
 El papel del “tiempo” o “rezago” en economía (continuación)
En forma general tenemos un modelo de rezagos distribuidos finitos con k períodos:

βo: es el multiplicador de corto plazo o de impacto porque da el cambio en el valor

medio de Y que sigue a un cambio unitario en X en el mismo periodo.
Si el cambio en X se mantiene igual desde el principio, entonces (βo + β1) da el cambio
en (el valor medio de) Y en el periodo siguiente (βo + β1 + β2) en el que le sigue, y así
sucesivamente. Estas sumas parciales se denominan multiplicadores ínterin, o
intermedios. Por último, después de k periodos obtenemos :

que se conoce como multiplicador de rezagos distribuidos de largo plazo o total.

 βi “estandarizado”. Las sumas parciales del βi estandarizado dan la proporción del impacto de largo plazo, o
total, sentido durante cierto periodo

El multiplicador de corto plazo, que no es otra cosa que la propensión marginal a consumir de corto plazo
(PMC), y es 0.4, mientras que el multiplicador de largo plazo, que es la propensión marginal a consumir de
largo plazo, es 0.4 + 0.3 + 0.2 0.9
Razones de los rezagos
• Razones psicológicas: la gente no cambia sus hábitos de consumo de
inmediato tras una reducción de precios o de un incremento en el
ingreso, quizá debido a que el proceso de cambio conlleve alguna
desventaja inmediata.
• Razones tecnológicas
• Razones institucionales
 Estimación de modelos de Rezagos distribuidos

DETALLES:
Cuando no hemos definido la longitud del rezago, es decir, cuán atrás en el pasado deseamos ir, estamos hablando
de un modelo de rezagos infinitos.
Mientras que se denomina modelo de rezagos distribuidos finito porque la longitud del rezago k está especificada.

¿Cómo estimamos α y las β de la ecuación anterior? Podemos adoptar dos enfoques: 1) estimación ad hoc y 2)
restricciones a priori sobre las β, si suponemos que (las β) siguen un patrón sistemático.
 MODELO AD HOC
• Como se supone que la variable explicativa Xt es no estocástica (o por lo menos
no correlacionada con el término de perturbación ut), igualmente son no
estocásticas Xt−1, Xt−2, y así sucesivamente. Por consiguiente, en principio, es
aplicable el método de mínimos cuadrados ordinarios (MCO)

• Éste es el enfoque de Alt y Tinbergen, quienes sugieren que para estimar, se

proceda secuencialmente, es decir, primero la regresión Yt sobre Xt, luego la de
Yt sobre Xt y Xt−1, después la regresión de Yt sobre Xt, Xt−1 y Xt−2, y así
sucesivamente. Este procedimiento secuencial se detiene cuando los coeficientes
de regresión de las variables rezagadas empiezan a ser estadísticamente
insignificantes y/o el coeficiente de por lo menos una variable cambia su signo de
positivo a negativo, o viceversa
DESVENJAS DE LOS MODELOS AD HOC
• No hay guía a priori sobre la longitud máxima que debe tener el
rezago.
• Menos grados de libertad, con lo cual se debilita un poco la inferencia
estadística.
• Aún más importante, en la información de series de tiempo
económicas, los valores (de rezagos) sucesivos tienden a estar
altamente correlacionados; por tanto, sale a relucir la
multicolinealidad
Método de Koyck para los modelos de rezagos
distribuidos
Si empezamos con un modelos de rezagos distribuidos infinito

Si todas las β tienen el mismo signo, Koyck da por hecho que se reducen geométricamente de la siguiente
manera:

donde λ, tal que 0 < λ < 1, se conoce como tasa de descenso, o de caída, del rezago distribuido y donde 1 − λ
se conoce como velocidad de ajuste.
cada coeficiente β sucesivo es numéricamente inferior a cada β anterior (esta afi rmación se debe a que λ < 1),
lo cual implica que, a medida que se retorna al pasado distante, el efecto de ese rezago sobre Yt se reduce
progresivamente, supuesto muy razonable
Método de Koyck para los modelos de rezagos distribuidos

Observe estas características del esquema de Koyck: 1) Al suponer valores no negativos para λ, Koyck elimina la posibilidad
de que las β cambien de signo; 2) al suponer que λ < 1, le da un menor peso a las β en el pasado distante que a las
actuales; y 3) asegura que la suma de las β, que proporciona el multiplicador de largo plazo, sea finita, a saber
Como está planteado, el modelo aún no es adecuado para su fácil estimación, pues un gran
número (literalmente infinito) de parámetros quedan aún por estimar y el parámetro λ
ingresa de forma por completo no lineal: en sentido estricto, el método de análisis de
regresión lineal (en parámetros) no puede aplicarse a un modelo de este tipo. Pero ahora
Koyck sugiere una forma ingeniosa para lograrlo.
Pasos
1. Comenzamos:

2. Rezaga un período

3. Luego multiplica la ecuación rezagada por λ para obtener

4. Resta la ultima ecuación 1 y 3:

características de la transformación de Koyck
• un modelo de rezagos distribuidos se “convierte” en un modelo
autorregresivo.
• Es probable que la aparición de Yt−1 cree algunos problemas
estadísticos. Yt−1, al igual que Yt, es estocástica, lo cual significa que
tenemos una variable explicativa estocástica en el modelo.
• Forma de evaluar autocorrelación (h de Durbin o BG)
Mediana de los rezagos

• Así, si λ 1/2 , el rezago medio es 1

 Racionalización del modelo de Koyck: Racionalización 1: modelo de expectativas adaptativas

donde Y demanda de dinero (balances reales de efectivo) X* tasa de interés normal o esperada de largo plazo o
de equilibrio, ut óptima u término de error
Como la variable de expectativas X ∗ no es directamente observable, podemos proponer la siguiente hipótesis
sobre la manera de conformar las expectativas:

donde γ, tal que 0 < γ ≤ 1, se conoce como coeficiente de expectativas. La hipótesis anterior se conoce como
hipótesis de expectativas adaptativas, expectativas progresivas o de aprendizaje por error.

Reemplazando:

Ahora rezague la primera un periodo, multiplíquelo por 1 − γ y reste el producto de la última. Tras un reordenamiento
algebraico sencillo, obtenemos:
Racionalización 2 del modelo de Koyck: El
modelo de ajuste de existencias o de ajuste parcial
• considere el modelo de acelerador fl exible
• supone un nivel de reservas o existencias de capital de equilibrio, óptimo, deseado, o de
largo plazo requerido para generar una producción dada en ciertas condiciones de
tecnología, tasa de interés, etc. Por simplicidad, suponga que este nivel de capital deseado
Y∗ i es una función lineal de la producción X de la siguiente manera:

• Como el nivel deseado de capital no es directamente observable, Nerlove postula la

siguiente hipótesis, conocida como hipótesis de ajuste parcial

• donde δ, tal que 0 < δ ≤ 1, se conoce como coefi ciente de ajuste y donde Yt − Yt−1 cambio
real, y (Y∗ t − Yt−1) cambio deseado. Como Yt − Yt−1, el cambio en las existencias de capital
entre dos periodos, no es otra cosa que la inversión (17.6.2) se escribe también como
• La ecuación (17.6.2) postula que el cambio real en las existencias de capital (la inversión) en cualquier
momento del tiempo t es alguna fracción δ del cambio deseado durante ese periodo. Si δ 1, signifi ca
que las reservas de capital real son iguales a las deseadas; es decir, las reservas reales se ajustan al
instante (durante el mismo periodo) a las deseadas. Sin embargo, si δ 0, signifi ca que nada cambia,
pues las existencias reales en el tiempo t son las mismas que las observadas en el periodo anterior. De
hecho, se espera que δ se encuentre dentro de estos extremos, pues es probable que el ajuste a las
existencias deseadas de capital sea incompleto debido a rigideces, inercia, obligaciones contractuales,
etc., de aquí el nombre de modelo de ajuste parcial. Observe que el mecanismo de ajuste (17.6.2)
también se escribe como

• lo cual muestra que las existencias de capital observadas en el tiempo t son un promedio ponderado
de las existencias de capital deseado en ese momento y de las existencias de capital observadas en el
periodo anterior, con δ y (1 − δ) como ponderaciones. Ahora, la sustitución de (17.6.1) en (17.6.4) da
 Combinación de los modelos de expectativas
adaptativas y de ajuste parcial

donde Y∗ t existencias de capital deseadas y X∗ t nivel de producción esperado. Como ni Y ∗ t ni X ∗ t son

directamente observables, podemos utilizar el mecanismo de ajuste parcial para Y ∗ t y el modelo de expectativas
adaptativas para X∗ t a fi n de llegar a la siguiente ecuació
 Estimación de modelos autoregresivos

Todas terminan con este forma:

el problema de estimación de dichos modelos, porque los mínimos cuadrados clásicos pueden no ser aplicables
directamente a ellos. La razón es doble: la presencia de variables explicativas estocásticas y la posibilidad de
correlación serial
para aplicar la teoría clásica de mínimos cuadrados debemos demostrar que la variable explicativa estocástica Yt−1
está distribuida independientemente del término de perturbación vt
Modelos Autoregresivos: Variable
instrumentales
• La razón por la cual MCO no es aplicable al modelo de Koyck o de
expectativas adaptativas es que la variable explicativa Yt−1 tiende a
estar correlacionada con el término de error vt. Si de alguna manera
es posible eliminar esta correlación, se pueden aplicar MCO para
obtener estimaciones consistentes.
• Antes de continuar, la pregunta obvia es ¿cómo encontrar una
“buena” variable representante para Yt−1, de manera que, aunque
esté muy correlacionada con Yt−1, no lo esté con vt?
Detección de autocorrelación en modelos
autorregresivos: prueba h de Durbin
• Como vimos, la probable correlación serial en los errores vt complica
un poco el problema de estimación en el modelo autorregresivo: en el
modelo de ajuste de existencias, el término de error vt no tenía
correlación serial (de primer orden) cuando el término de error ut en el
modelo original no estaba serialmente correlacionado, mientras que en
los modelos de Koyck y de expectativas adaptativas, vt estaba
serialmente correlacionado aunque ut fuera serialmente
independiente. La pregunta entonces es ¿cómo saber si hay correlación
serial en el término de error que aparece en los modelos
autorregresivos?
• Breusch-Godfrey (BG),
El método de Almon para los modelos de rezagos distribuidos:
rezagos distribuidos polinomiales (RDP) o de Almon

Según un teorema en matemáticas conocido como teorema de

Weierstrass, Almon supone que βi puede aproximarse
mediante un polinomio apropiado en i, la longitud del rezago

Generalizando:
• Para explicar cómo funciona el esquema de Almon, supongamos que
las β siguen el patrón

y, por consiguiente, la aproximación polinomial de segundo grado es

apropiada.
Al sustituir :

En

tenemos:
El método de Almon para los modelos de rezagos distribuidos:
rezagos distribuidos polinomiales (RDP) o de Almon
 Causalidad en economía: prueba de causalidad de Granger
La existencia de una relación entre las variables no prueba causalidad ni la dirección de la influencia. Pero en
regresiones con datos de series de tiempo, la situación puede ser un cuanto distinta porque, como sostiene un autor.

Tipos:
1)la causalidad unidireccional de M hacia PIB es la indicada si los coeficientes estimados sobre la M rezagada en son
estadísticamente diferentes de cero considerados como grupo y el conjunto de coeficientes estimados sobre el PIB
rezagado no es estadísticamente diferente de cero.
2. Al contrario, hay causalidad unidireccional de PIB hacia M si el conjunto de coefi cientes de M rezagada no es
estadísticamente diferente de cero y el conjunto de coefiientes del PIB rezagado es estadísticamente diferente de
cero.
3. Se sugiere realimentación, o causalidad bilateral, cuando los conjuntos de coeficientes de M y de PIB son
estadísticamente significativos, diferentes de cero, en ambas regresiones.
4. Por último, se sugiere independencia cuando los conjuntos de coeficientes de M y de PIB no son estadísticamente
significativos en ambas regresiones.