MacroEconometrÌa Avanzada
Ignacio Lobato (ITAM)
Lobato (ITAM) () Eco Ava 1 / 43
MetodologÌa Box-Jenkins
Def: Un P.E. yt sigue un modelo ARIMA(p,d,q) si
Dd yt = µ + f1 Dd yt 1 + f2 Dd yt 2 + ... + fp Dd yt p +
+et + q 1 et 1 + q 2 et 2 + ... + q q et q
donde (µ,f1 , ..., fp , q 1 , ...q q ) son constantes y et RB(0,s2 )
La metodologÌa Box-Jenkins (BJ) propone el uso de modelos ARIMA
para las series econÛmicas
Lobato (ITAM) (Institute) Eco Ava 2 / 43
MetodologÌa Box-Jenkins
La metodologÌa Box-Jenkins (BJ) se lleva a cabo en una serie de
etapas:
1 SelecciÛn de d
I 2 IdentiÖcaciÛn de (p, q )
3 EstimaciÛn de los par·metros (µ,f1 , ..., fp , q 1 , ...q q )
4 Contraste de especiÖcaciÛn
v 5 Uso del modelo (para predicciÛn b·sicamente)
Lobato (ITAM) (Institute) Eco Ava 3 / 43
MetodologÌa Box-Jenkins
SelecciÛn de d
Hay procedimientos formales, por ejemplo, basados en comparar la
varianza residual, o empleando el Dickey-Fuller
pero visualmente tambiÈn es f·cil elegir d
normalmente si la serie no parece estacionaria, se van tomando
diferencias hasta que la serie parezca estacionaria
en la mayorÌa de los casos d = 0 o d = 1
el caso d = 2 es m·s raro, [Link]áaciÛn
Lobato (ITAM) (Institute) Eco Ava 4 / 43
MetodologÌa Box-Jenkins
IdentiÖcaciÛn de p,q
Hay muchas formas de elegir p, q
BJ proponen usar la FAC y la FAC parcial (FACP)
Lobato (ITAM) (Institute) Eco Ava 5 / 43
FAC parcial (FACP)
Considera el conjunto sucesivo de predictores lineales de yt en
yt 1 ,..., yt p
y colecciona el ˙ltimo coeÖciente
o sea considera
yt = c + f11 yt 1 + et
yt = c + f21 yt 1 + f22 yt 2 + et
yt = c + f31 yt 1 + f32 yt 2 + f33 yt 3 + et
....
yt = c + fp1 yt 1 + fp2 yt 2 + ... + fpp yt p + et
a la colecciÛn ff11 , f22 , ..., fpp g se le llama la FACP
Lobato (ITAM) (Institute) Eco Ava 6 / 43
MetodologÌa Box-Jenkins
IdentiÖcaciÛn de p,q
Para un AR(p) la FACP es cero a partir de p + 1
Para un MA(q) la FAC es cero a partir de q + 1
el orden de modelos puros se puede determinar bien usando la FAC y
la FACP
pero con modelos ARMA ya no es tan f·cil
o sea, con modelos ARMA identiÖcaciÛn es mas arbitraria
BJ recomiendan "parsimonia"
Lobato (ITAM) (Institute) Eco Ava 7 / 43
MetodologÌa Box-Jenkins
EstimaciÛn de los par·metros
ya hemos comentado
si es AR(p) puro usa MCO,
la parte MA es mas complicada
Lobato (ITAM) (Institute) Eco Ava 8 / 43
MetodologÌa Box-Jenkins
Contraste de especiÖcaciÛn
Una vez que has estimado el modelo el siguiente paso es comprobar
que el modelo est· bien especiÖcado, lo que signiÖca que los residuos
del modelo estimado son ruido blanco
BJ sugieren el uso del estadÌstico de Box-Pierce
K
QK = T Â b
r2j ,
j =1
o la versiÛn de Ljung-Box
K
LBp = T (T + 2) Â (T j )1 b
r2j .
j =1
en donde b
rj se reÖere a la autocorrelaciÛn de orden j de los residuos
bajo la hipÛtesis nula la distribuciÛn de estos estadÌsticos sigue una c2
Lobato (ITAM) (Institute) Eco Ava 9 / 43
MetodologÌa Box-Jenkins
Contraste de especiÖcaciÛn
Si
QK < cv
donde cv es el valor crÌtico correspondiente de la c2 entonces tu
modelo est· bien especiÖcado y ya lo puedes usar (para predecir)
Si
QK > cv
entonces tu modelo est· mal especiÖcado y tienes que volver a la
etapa 2 de identiÖcaciÛn de los Ûrdenes p, q
Un problema es la elecciÛn de K
Lo habitual es mirar a varios K con la esperanza de que todos
indiquen lo mismo
Lobato (ITAM) (Institute) Eco Ava 10 / 43
MetodologÌa Box-Jenkins: un ejemplo
Nivel de una hormona ("liutenizing")
la serie es
4
-1
-2
-3
-4
10 20 30 40 50 60 70 80
LIUTENHORMON
es claramente estacionaria, por tanto d = 0
Lobato (ITAM) (Institute) Eco Ava 11 / 43
MetodologÌa Box-Jenkins: un ejemplo
ver correlograma en Eviews
(Öchero: [Link])
øquÈ modelo ARMA?
no es obvio
por parsimonia yo intentarÌa un MA(2)
al estimarlo sale
xt = 0.01 + et 0.86et 1 + 0.74et 2
y el correlograma residual sale limpio
Ejercicio pr·ctico: analiza las series A, B, C, D, E de Box-Jenkins y
comp·ralas con los modelos que ellos proponen
Lobato (ITAM) (Institute) Eco Ava 12 / 43
Contrastes de autocorrelaciÛn
Vamos a comentar brevemente sobre una variaciÛn del BP que es ˙til para
datos Önancieros
Sea fYt g un PE EEyE con E [Yt2 ] < • y µ = E [Yt ]
llama a su autocovarianza de orden j
gj = Cov (Yt , Yt j )
y su autocorrelaciÛn es rj = gj /g0
Sea la hipÛtesis nula
H0 : r 1 = = r p = 0
Lobato (ITAM) (Institute) Eco Ava 13 / 43
Contrastes de autocorrelaciÛn
SupÛn que tienes T datos: fYt gTt=1 . Llama a la media muestral Y
la autocovarianza muestral de orden j es
T
1
bj =
g Â
(T j ) t =1 +j
(Yt Y )(Yt j Y ), j = 0, ..., T 1,
b b j /b
rj = g g0 es la j sima autocorrelaciÛn muestral
Lobato (ITAM) (Institute) Eco Ava 14 / 43
Contrastes de autocorrelaciÛn
Llama b
r = (b rp )0 and r = (r1 , ..., rp )0
r1 , ..., b
Si Yt es IID
p d
Tb
r ! N (0, I ).
Pero si Yt tiene dependencia
p d
r r) ! N (0, W)
T (b
donde W es nodiagonal y complicada
Lobato (ITAM) (Institute) Eco Ava 15 / 43
Contrastes de autocorrelaciÛn
Resulta que si Yt es mds, W es diagonal con elemento j simo
E (Yt µ)2 (Yt j µ)2
tj =
(E (Yt µ)2 )2
lo que sugiere un estadÌstico BP robustiÖcado
K
QK = T Â e
r2j ,
j =1
r2j = b
donde e r2j /b
tj , y
!
T
1 1
T t =Â
2 2
b
tj = 2 ( Yt Y ) ( Yt j Y )
b0
g 1 +j
este estadÌstico se puede calcular f·cilmente en EXCEL
Lobato (ITAM) (Institute) Eco Ava 16 / 43
Series de Tiempo Multivariantes: Modelos VAR
multivariante yt 2 Rm (vector)
lo denotamos con negrita yt
Lobato (ITAM) (Institute) Eco Ava 17 / 43
Procesos vectoriales autorregresivos (VARís)
Un modelo VAR especiÖca que la media condicional depende de un
n˙mero Önito de rezagos:
E (yt j zt 1 ) = E (yt j yt 1 , yt 2 , ...yt k )
donde
bz t 1 = fyt 1 , yt 2 , ...g
es el pasado de yt .
El modelo VAR habitual es el VAR lineal
E (yt j yt 1 , yt 2 , ...yt k ) = a0 +A1 yt 1 +A2 yt 2 +... + Ak yt k
donde a0 es un vector m 1 y Aj son matrices m m.
Lobato (ITAM) (Institute) Eco Ava 18 / 43
VAR
DeÖne el vector de errores
et = yt E (yt j zt 1 )
para escribir el modelo VAR
yt = a0 +A1 yt 1 +A2 yt 2 +... + Ak yt k +et
con
E (et j zt 1 ) = 0
Lobato (ITAM) (Institute) Eco Ava 19 / 43
VAR
podemos escribirlo de manera mas compacta si deÖnimos el vector de
dimension (mk + 1) 1
0 1
1
B yt 1 C
B C
xt = B yt 2 C
B
C
@ ... A
Inka1 1
yt k
y la matriz de dimension m (mk + 1)
A = a0 A1 A2 ... Ak
Mx mkt1
entonces
yt = Axt +et
Lobato (ITAM) (Institute) Eco Ava 20 / 43
VAR
Nota que el modelo VAR es un sistema de m ecuaciones cuya
j sima ecuaciÛn podemos escribir asÌ
Yjt = aj0 xt +ejt
en donde
Yjt es el j simo elemento de yt
aj0 es la j sima Öla de A
ejt es el j simo elemento de et
Lobato (ITAM) (Institute) Eco Ava 21 / 43
VAR
La condiciÛn de estacionariedad es el an·logo multivariante de la
condiciÛn de estacionariedad de un AR(p) para un VAR
recuerda; la condiciÛn de estacionariedad de un AR(p) es que las p
raÌces del polinomio f(L) sean mayores que 1 (en valor absoluto)
el modelo
yt = a0 +A1 yt 1 +A2 yt 2 +... + Ak yt k +et
podemos escribirlo (donde Im es la matriz identidad de orden m )
(Im A1 L A2 L2 ... Ak Lk )yt = a0 + et
un VAR (p ) es estacionario si todos los autovalores de la matriz
(Im A1 A2 ... Ak )
son mayores que 1 (en valor absoluto)
Lobato (ITAM) (Institute) Eco Ava 22 / 43
VAR
EstimaciÛn: supongamos que se cumple la condiciÛn de
estacionariedad, entonces estimamos por MCO a partir de la ecuaciÛn
E (xt ejt ) = E (xt (Yjt aj0 xt )) = 0
el an·logo muestral es el estimador (no restringido) de MCO de aj0
En la pr·ctica se emplean VARís restringidos, por ej., algunos
regresores son excluidos de alguna ecuaciones
Muchas veces nos interesa sÛlo una ecuaciÛn
Lobato (ITAM) (Institute) Eco Ava 23 / 43
CointegraciÛn
Muchas series econÛmicas tienen tendencia (ya sea estoc·stica o
determinÌstica)
La idea b·sica de cointegraciÛn es que muchas series econÛmicas
comparten estas tendencias
ej consumo e ingreso
ej tasa de interÈs a corto y a largo plazo
etc
Lobato (ITAM) (Institute) Eco Ava 24 / 43
CointegraciÛn
1
Def. Decimos que el vector yt 2 Rm est· cointegrado si yt I (1),
es decir, cada componente es I (1), pero existe una matriz b de
dimensiÛn m r , de rango r , tal que zt = b0 yt I (0).
Los r vectores (de dimensiÛn m ) se conocen como vectores de
cointegraciÛn
nota que en caso de cointegraciÛn 0 < r < m,
si r = 0 no hay cointegraciÛn
si r = m entonces yt I (0)
Lobato (ITAM) (Institute) Eco Ava 25 / 43
CointegraciÛn
El caso mas f·cil es con m = 2, entonces r = 1, y decimos:
Y1t y Y2t est·n cointegradas si Y1t I (1), Y2t I (1), y existe un b
(escalar) tal que Y1t +bY2t I (0),
el vector (1, b) es el vector de cointegraciÛn que es ˙nico en este caso
(m = 2)
Lobato (ITAM) (Institute) Eco Ava 26 / 43
CointegraciÛn
Ej supÛn el modelo de consumo del ingreso permanente de Friedman
Yt = Yt 1 + µ + #t q#t 1
Ct = kYtp + ut
Ytp = E (Yt +1 j zt )
donde #t es RB y ut es I(0).
Nota que ambos Yt y Ct son I (1), de hecho siguen un ARIMA(0,1,1)
pero
Ct kYt = k (Ytp Yt ) + ut
como
Ytp Yt = E (Yt + µ + #t +1 q#t j zt ) Yt = µ q#t
entonces
Ct kYt I (0)
y Ct y Yt est·n cointegrados, el vector de cointegraciÛn es (1, -k )
Lobato (ITAM) (Institute) Eco Ava 27 / 43
CointegraciÛn
En algunos casos b es conocido a priori,
muchas veces b = (1, 1),
por ejemplo en el caso de la tasa de interÈs a corto y a largo plazo
pero en muchos casos b es desconocido
Lobato (ITAM) (Institute) Eco Ava 28 / 43
CointegraciÛn
Si el vector de cointegraciÛn es ˙nico (por ejemplo el caso m = 2,
pero tambiÈn puede pasar aunque m > 2)
entonces b puede ser estimado de forma consistente mediante una
regresiÛn por MCO de un componente de yt sobre los otros
De hecho esta estimaciÛn
p es superconsistente (la tasa de
convergencia no es T sino T )
Lobato (ITAM) (Institute) Eco Ava 29 / 43
CointegraciÛn
Es interesante contrastar la hipÛtesis nula de no cointegraciÛn, o sea
H0 : r = 0
vs
H1 : r > 0
SupÛn que b es conocido, entonces zt = b0 yt es conocido.
Entonces bajo H0 zt I (1), pero bajo H1 , zt I (0),
por tanto podrÌamos contrastar H0 usando un ADF test en zt .
Lobato (ITAM) (Institute) Eco Ava 30 / 43
CointegraciÛn
Cuando b no es conocido podrÌamos usar el ADF en los residuales
0
estimados b b
zt = b yt
la razÛn la hemos comentado antes: este b b es un estimador
superconsistente bajo H1
pero nota que bajo H0 b b no es consistente y por tanto, la distribuciÛn
asintÛtica bajo la nula del ADF no es la que vimos
es otra que tambiÈn est· tabulada
Finalmente, a veces tambiÈn se incluye una tendencia determinÌstica,
y, otra vez, la distribuciÛn lÌmite del contraste cambia, pero est·
tabulada
Lobato (ITAM) (Institute) Eco Ava 31 / 43
VARís cointegrados
Podemos escribir el VAR
yt = a0 +A1 yt 1 +A2 yt 2 +... + Ak yt k +et
como
A(L)yt = et
donde
A(L) = (Im A1 L A2 L2 ... Ak Lk )
y adem·s como (una especie de reparametrizaciÛn de Dickey-Fuller
multivariante)
Dyt = Pyt 1 +D(L)Dyt 1 +et
en donde
P = A(1) = Im + A1 + A2 + ... + Ak
Lobato (ITAM) (Institute) Eco Ava 32 / 43
VARís cointegrados
Entonces tenemos el siguiente teorema (teorema de representaciÛn de
Granger):
yt est· cointegrado con vectores de cointegraciÛn b de dimensiÛn
m r , de rango r , si y solo si
rango (P) = r , y, P = ab0
en donde a es de dimensiÛn m r , de rango r
Lobato (ITAM) (Institute) Eco Ava 33 / 43
VARís cointegrados
CointegraciÛn impone restricciones en el VAR
el modelo restringido se puede escribir como
Dyt = ab0 yt 1 +D(L)Dyt 1 +et
o
Dyt = azt 1 +D(L)Dyt 1 +et (1)
donde
zt 1 = b0 yt 1
son las relaciones de largo plazo (nota que zt 1 = b0 yt 1 I (0))
nota que la ecuaciÛn (1) est· bien "balanceada" en el sentido que
todos sus componentes son I (0), dado que yt I (1)
Lobato (ITAM) (Institute) Eco Ava 34 / 43
VARís cointegrados
Nota que si b fuera conocido, la ecuaciÛn
Dyt = azt 1 +D(L)Dyt 1 +et
podrÌa estimarse por MCO de Dyt sobre zt 1 y los rezagos de Dyt
si b no es conocido se podrÌa hacer MCO restringidos, o sea MCO
pero con la restricciÛn de que P = ab0
Finalmente nota que b no est· identiÖcado sin normalizarlo:
con m = 2, la normalizaciÛn habitual es poner el primer elemento
igual a 1
con m > 2 hay diferentes normalizaciones
En el contexto de VARs cointegrados, se suele contrastar por
cointegraciÛn contrastando el rango de la matriz P (Johansen)
Lobato (ITAM) (Institute) Eco Ava 35 / 43
VARís cointegrados
El modelo
Dyt = azt 1 +D(L)Dyt 1 +et
se conoce como modelo ECM (error correction mechanism)
nota que en un solo modelo combinamos la relaciones a largo plazo
(rezagadas un periodo), zt 1
con la din·mica del corto plazo D(L)Dyt 1
para explicar como se mueven nuestras variables Dyt
Lobato (ITAM) (Institute) Eco Ava 36 / 43
MetodologÌa de CointegraciÛn. Modelos ECM. El caso
m=2
El objetivo es ajustar un modelo ECM a dos series de datos
El modelo ECM mas sencillo explica el movimiento hoy de una
variable (DY1t ) en funciÛn de:
-la desviaciÛn de ayer de la relaciÛn de largo plazo:
zt 1 = Y1t 1 bY2t 1
(de aquÌ viene el nombre, mecanismo de correcciÛn de errores, el error
es la desviaciÛn respecto a la relaciÛn de largo plazo)
-el cambio actual y los cambios rezagados de la otra variable:
DY2t , DY2t 1 , ...DY2t q
-los cambios rezagados de ella misma: DY1t 1 , ...DY1t s
Por tanto el modelo se puede escribir
DY1t = µ + g1 DY1t 1 + ... + gs DY1t s
+l0 DY2t + l1 DY2t 1 + ... + lq DY2t q + dzt 1 + et
Lobato (ITAM) (Institute) Eco Ava 37 / 43
MetodologÌa de CointegraciÛn. Modelos ECM. El caso
m=2
En el modelo ECM
DY1t = µ + g1 DY1t 1 + ... + gs DY1t s
+l0 DY2t + l1 DY2t 1 + ... + lq DY2t q + dzt 1 + et
la variable fundamental es zt 1 , nota que d < 0 lo que indica que se
corrige el error, o sea
si zt 1 = Y1t 1 bY2t 1 fue positiva quiere decir que ayer Y1 estuvo
por encima de su valor de equilibrio ( bY2 ) y por tanto DY1t tiene que
bajar (d < 0)
si zt 1 = Y1t 1 bY2t 1 fue negativa quiere decir que ayer Y1
estuvo por debajo de su valor de equilibrio ( bY2 ) y por tanto DY1t
tiene que subir (d < 0)
Lobato (ITAM) (Institute) Eco Ava 38 / 43
MetodologÌa de CointegraciÛn. Modelos ECM. El caso
m=2
øCÛmo eliges el n˙mero de rezagos s y q en el modelo ECM?
DY1t = µ + g1 DY1t 1 + ... + gs DY1t s
+l0 DY2t + l1 DY2t 1 + ... + lq DY2t q + dzt 1 + et
Una posibilidad (Hendry) es ir de lo general a lo particular, o sea,
empezar con valores altos de s y q e ir recursivamente eliminando las
variables no signiÖcativas hasta acabar con un modelo parsimonioso
El problema es que al ir haciendo contrastes secuenciales no controlas
el error tipo 1
Lobato (ITAM) (Institute) Eco Ava 39 / 43
MetodologÌa de CointegraciÛn. Modelos ECM. El caso
m=2
En la pr·ctica esta metodologÌa se implementa en varias etapas
1. Estima b mediante MCO de Y1t en Y2t , esta estimaciÛn es
superconsistente
zt 1 = Y1t 1 b
2. Construye b bY2t 1
3. Estima el modelo
DY1t = µ + g1 DY1t 1 + ... + gs DY1t s
+l0 DY2t + l1 DY2t 1 + ... + lq DY2t q + db
zt 1 + et
y ve eliminando los rezagos redundantes hasta quedarte con un
modelo parsimonioso.
Lobato (ITAM) (Institute) Eco Ava 40 / 43
MetodologÌa de CointegraciÛn. Modelos ECM. El caso
m=2. Ejemplo.
Ejercicio pr·ctico. Estima este modelo para las dos series: 1year Tbill
(TB1YS ) y 3month Tbill (TB3MS ) datos mensuales de julio 1959 a
julio 2001 (Öchero: [Link])
[Link]
18
16
14
12
10
2
1960 1965 1970 1975 1980 1985 1990 1995 2000
TB1Y TB3M
Lobato (ITAM) (Institute) Eco Ava 41 / 43
MetodologÌa de CointegraciÛn. Modelos ECM. El caso
m=2. Ejemplo.
en este caso el vector de cointegraciÛn es conocido: (1,-1)
y el diferencial de las tasas de interÈs es
3
-1
-2
-3
1960 1965 1970 1975 1980 1985 1990 1995 2000
SPREAD
Lobato (ITAM) (Institute) Eco Ava 42 / 43
MetodologÌa de CointegraciÛn. Modelos ECM. El caso
m=2. Ejemplo.
y el ADF de spread (=tb3m-tb1y) sale -5.712650 (p-valor=0.0000) y
rechazas la hipÛtesis nula de que spread tenga una raÌz unitaria
por tanto, tb3m y tb1y est·n cointegrados y el vector de
cointegraciÛn es (1, -1)
Ejercicio: estima el modelo ECM y veriÖca que spread(-1) tiene
coeÖciente negativo y signiÖcativo
(Öchero: tbillcointg.wf1)
Lobato (ITAM) (Institute) Eco Ava 43 / 43