MODELOS VEC

[Link]. Joceline Foronda

Piérola
 RECUERDE QUE…
• En los modelos univariados (como AR, MA, ARMA)
se suponía que las variables eran estacionarias. Es
decir que sus estadísticos como las covarianzas y
correlaciones, eran constantes e independientes
del tiempo, esto permitía hacer proyecciones.
• Pero en los modelos univariados, si una variable no
cumplía con la condición de ser estacionaria,
entonces se le aplicaban transformaciones como
los logaritmos y finalmente las diferenciales.
• Un modelo univariado con diferencias se denomina
ARIMA.
 RECUERDE QUE…
• En los modelos multivariados, de tipo VAR(p),
directamente hemos realizado la transformación
de variables, cuando estas no eran
estacionarias, luego de aplicar el test Dickey-
Fuller.
• Esto no fue problema para procesos VAR
básicos, pero si podría ser un problema en
modelos estructurales o que tienen una teoría
base, y por lo tanto no debe tener variables
diferenciadas.
• Si el modelo multivariado tiene una teoría base,
pero tiene problemas de estacionariedad,
entonces la opción es usar modelos VEC.
 ¿QUÉ INVOLUCRA DIFERENCIAR?
• Cuando una variable de series de tiempo tiene
un buen comportamiento, esto representa ser
estacionaria, por lo tanto sus momentos (media,
varianza, covarianzas y correlaciones) son
constantes e independientes del tiempo.
Recuerde, esto permite hacer proyecciones en
el tiempo.
• Por el contrario, si una variable no tiene a sus
momentos independientes del tiempo,
entonces sus covarianzas y correlaciones varían
a través del tiempo. Esto no permite hacer
proyecciones ni sacar conclusiones de los
estudios.
 ¿QUÉ INVOLUCRA DIFERENCIAR?
• Un ejemplo de una variable de serie de tiempo NO estacionaria es:
𝑥𝑡 = 𝑥𝑡−1 + 𝜀𝑡
• Es fácil demostrar que su varianza crece con el tiempo:
𝑥𝑡−3 = 𝑥𝑡−5 + 𝜀𝑡−4 + 𝜀𝑡−3
𝑥𝑡 = 𝑥𝑡−1 + 𝜀𝑡 𝑥𝑡−2 = 𝑥𝑡−5 + 𝜀𝑡−4 + 𝜀𝑡−3 + 𝜀𝑡−2
𝑥𝑡−1 = 𝑥𝑡−2 + 𝜀𝑡−1 𝑥𝑡−1 = 𝑥𝑡−5 + 𝜀𝑡−4 + 𝜀𝑡−3 + 𝜀𝑡−2 + 𝜀𝑡−1
𝑥𝑡−2 = 𝑥𝑡−3 + 𝜀𝑡−2 𝑥𝑡 = 𝑥𝑡−5 + 𝜀𝑡−4 + 𝜀𝑡−3 + 𝜀𝑡−2 + 𝜀𝑡−1 + 𝜀𝑡
𝑥𝑡−3 = 𝑥𝑡−4 + 𝜀𝑡−3 Aplicando esperanza:
𝑥𝑡−4 = 𝑥𝑡−5 + 𝜀𝑡−4 E 𝑥𝑡 = 𝑥𝑡−5
Aplicando varianza:
Fluctuando hasta t=5
𝑉 𝑥𝑡 = 𝜎 2 + 𝜎 2 + 𝜎 2 + 𝜎 2 + 𝜎 2
2 Varianza crece con t=k
𝑉 𝑥𝑡 = 𝑘𝜎
 ¿QUÉ INVOLUCRA DIFERENCIAR?
• Un ejemplo de una variable de serie de tiempo NO estacionaria es:
𝑥𝑡 = 𝑥𝑡−1 + 𝜀𝑡
• ¿Cómo eliminar el problema de NO estacionariedad?
• Aplicando el diferencial:
𝑥𝑡 = 𝑥𝑡−1 + 𝜀𝑡
𝑥𝑡 − 𝑥𝑡−1 = 𝜀𝑡
Δ𝑥𝑡 = 𝜀𝑡
• La primera diferencia de xt es estacionaria.
• OJO la variable perturbación o ruido blanco “ 𝜀𝑡 ” por definición es
estacionaria.
 DEFINICIONES DE NO ESTACIONARIEDAD
• Si una variable 𝑥𝑡 en su evolución temporal se comporta
como:
𝑥𝑡 = 𝑥𝑡−1 + 𝜀𝑡
• Se puede afirmar que es NO estacionaria. ¿Por qué?
• Porque el coeficiente de la relación de variables es 1
𝑥𝑡 = (1)𝑥𝑡−1 + 𝜀𝑡
• Recuerde que en modelos AR, MA, ARMA se afirmó que para
que el modelo univariado sea estacionario, el coeficiente debe
ser menor a 1 (en valor absoluto).
 DEFINICIONES DE NO
ESTACIONARIEDAD
• Si una variable 𝑥𝑡 en su evolución temporal se comporta como:
𝑥𝑡 = 𝑥𝑡−1 + 𝜀𝑡
• Se puede afirmar que es NO estacionaria. Por lo tanto tiene POR LO
MENOS una raíz unitaria.
• Si 𝑥𝑡 tiene por lo menos 1 raíz unitaria, entonces es I(1)
• Si 𝑥𝑡 tiene por lo menos 2 raíces unitarias, entonces es I(2)
• Si 𝑥𝑡 tiene por lo menos 3 raíces unitarias, entonces es I(3)
 DEFINICIONES DE NO
ESTACIONARIEDAD
• ¿Cómo detectar que mi variable 𝑥𝑡 tiene 1, 2, o n-raíces unitarias?
• Básicamente: aplicando el test Dickey Fuller.
• Si la variable tiene 1 raíz unitaria, después del primer diferencial, el test
Dickey Fuller tendrá un p-valor menor al 5% (o al nivel que ud defina).
• Si la variable tiene 2 raíces unitarias, se necesitará 2 diferenciales de la
variable para que el test DF genere un resultado adecuado.
• Si la variable tiene 3 raíces unitarias, se necesitará de 3 diferenciales para
que el test DF genere resultados adecuados. Etc.
CONCLUSIONES
• Si una variable 𝑥𝑡 es estacionaria, entonces no se debe diferenciar y
es I(0).
• Si una variable 𝑥𝑡 NO es estacionaria, entonces se debe diferenciar
d-veces hasta que se convierta en estacionaria. Y esa variable 𝑥𝑡 se
denominará I(d).
• Para verificar que una variable sea o no estacionaria, se usa el test
Dickey Fuller, pero existen muchos otros test que se aplican según
especificidades más avanzadas.
¿QUE ES UN MODELO VEC?

• Un modelo VEC es un modelo multivariado que tiene variables no

estacionarias, pero genera un resultado estacionario.
• Esta característica de las variables no estacionarias que generan un
resultado estacionario se denomina COINTEGRACIÓN DE
VARIABLES.
• Un modelo VEC es la alternativa al VAR, porque usa variables no
estacionarias y por lo tanto no necesita diferenciarlas para su uso
en las estimaciones y proyecciones.
 NOCIÓN DE COINTEGRACIÓN

• Suponga que el siguiente modelo tiene variables no estacionarias de grado 1.

𝑦𝑡 = 𝛽𝑥𝑡 + 𝜀𝑡
𝑦𝑡 tiene una raíz unitaria, es I(1)
𝑥𝑡 tiene una raíz unitaria, es I(1)
Entonces el modelo no sirve para hacer predicciones. Pero si lo escribimos como
una combinación lineal de variables, que genera un resultado estacionario:
𝑦𝑡 − 𝛽𝑥𝑡 = 𝜀𝑡
𝜀𝑡 por definición es estacionario.
 NOCIÓN DE COINTEGRACIÓN
• Un modelo con variables no estacionarias:
𝑦𝑡 = 𝛽𝑥𝑡 + 𝜀𝑡
• Una combinación lineal de variables no estacionarias que da como
resultado algo estacionario:
𝑦𝑡 − 𝛽𝑥𝑡 = 𝜀𝑡
• Entonces se puede afirmar que {yt} y {xt} si cointegran, y aunque sean
no estacionarias, no es necesario diferenciarlas (o modificarlas) para
usarlas en predicciones.
 NOCIÓN DE COINTEGRACIÓN
• Un modelo con variables no estacionarias:
𝑦𝑡 = 𝛽𝑥𝑡 + 𝜃𝑤𝑡 + 𝜀𝑡
• Una combinación lineal de variables no estacionarias que da como
resultado algo estacionario:
𝑦𝑡 − 𝛽𝑥𝑡 − 𝜃𝑤𝑡 = 𝜀𝑡
• Entonces se puede afirmar que {yt}, {xt} y {wt} si cointegran, y aunque
sean no estacionarias, no es necesario diferenciarlas (o modificarlas) para
usarlas en predicciones.
¿Por qué las variables cointegran? Considere el siguiente ejemplo:
𝜃𝑥𝑡 + 𝜑𝑦𝑡 = 𝜀𝑡
Cada variable puede descomponerse en un componente aleatorio o transitorio “Z”
y un componente permanente “P”:
𝑥 𝑥
𝑥𝑡 = 𝑍𝑡 + 𝑃𝑡
𝑦 𝑦
𝑦𝑡 = 𝑍𝑡 + 𝑃𝑡
Reemplazando:
𝑥 𝑥 𝑦 𝑦
𝜃(𝑍𝑡 + 𝑃𝑡 ) + 𝜑(𝑍𝑡 + 𝑃𝑡 ) = 𝜀𝑡
𝑥 𝑥 𝑦 𝑦
𝜃𝑍𝑡 + 𝜃𝑃𝑡 + 𝜑𝑍𝑡 + 𝜑𝑃𝑡 = 𝜀𝑡
𝑦 𝑥 𝑦 𝑥
𝜑𝑃𝑡 + 𝜃𝑃𝑡 + [𝜑𝑍𝑡 + 𝜃𝑍𝑡 ] = 𝜀𝑡
La cointegración requiere de ambas partes, lo permanente y lo transitorio.
 𝑦 𝑥 𝑦 𝑥
𝜑𝑃𝑡 + 𝜃𝑃𝑡 + [𝜑𝑍𝑡 + 𝜃𝑍𝑡 ] = 𝜀𝑡
Analizando por partes, se tiene:

𝑦
𝜑𝑍𝑡 + 𝜃𝑍𝑡𝑥 = 𝜀𝑡 = 0
Lo transitorio debe ser aleatorio, y comportarse como 𝜀𝑡 .

𝑦 𝑥
𝜑𝑃𝑡
+ 𝜃𝑃𝑡
= 𝜀𝑡 = 0
𝑦 𝑥
𝜑𝑃𝑡 + 𝜃𝑃𝑡 = 0
𝑦
𝜑𝑃𝑡 = −𝜃𝑃𝑡𝑥
𝑦 𝜃 𝑥
𝑃𝑡 = − 𝑃𝑡
𝜑
Lo permanente no debe acumular distancia a lo largo del tiempo.
• Si el modelo tiene variables que cointegran:
𝜃𝑥𝑡 + 𝜑𝑦𝑡 = 𝜀𝑡
• Entonces al conjunto de coeficientes de la combinación lineal de variables no
estacionarias, se le denomina el Vector de Cointegración. En este caso el VC
es:
𝜃 𝜑 → 𝜀𝑡 = 𝐼(0)

• Para que exista un VC, todas las variables deben tener el mismo nivel de
integración, I(d)
• La cointegración es una propiedad lineal, significa que modelos No lineales no
tienen cointegración.
1.6E+12

LOS COMPONENTES PERMANENTES DE LAS VARIABLES

1.4E+12
Px
1.2E+12

1E+12

8E+11

6E+11 Py

4E+11

2E+11

0
1.6E+12
LOS COMPONENTES TRANSITORIOS DE LAS VARIABLES
1.4E+12

1.2E+12

Z4
1E+12 Z3

8E+11

6E+11

Z1 Z2
4E+11

2E+11

0
1.6E+12

GENERAN COINTEGRACIÓN
1.4E+12

Px
1.2E+12

Z4
1E+12

Z3
8E+11

6E+11
Py
4E+11 Z1 Z2

2E+11

0
 MODELO DE CORRECCIÓN DE ERRORES
• Cuando las variables cointegran, pueden generar diversos tipos de
combinaciones. Los más comunes son:
Cuántas combinaciones existen
𝑥𝑡 con 4 Variables?

𝑦𝑡 Tiene 4 combinaciones lineales

𝑧𝑡 Cuántas combinaciones existen

con 5 Variables?
ESTIMACIÓN VEC

1. Confirmar que las variables son NO estacionarias

2. Definir el número de rezagos: varsoc x1 x2 x3, maxlag(#)
3. Verificar el número de VC: vecrank x1 x2 x3, max ic
4. Correr el modelo VEC: vec x1 x2 x3, rank(#) lags(#)
trend()
5. Test de hipótesis: vecstable, graph - veclmar -
vecnorm
6. Pronósticos: predict yhat, equation(varname)
fcast compute NAME, step(#) dynamic(time#) nose
 Muchas
GRACIAS