En el captulo 12, se estudiaron las propiedades de series de tiempo de datos y relaciones de cointegracin entre pares de series no estacionarias.

En esos ejemplos, asumimos que una de las variables fue la variable dependiente (llammoslo yt) y que el otro era el d variable independiente xt+ y tratamos la relacin entre yt y xt como un modelo de regresin. Sin embargo, a priori, a menos que tengamos buenas razones para no hacerlo, podramos haber asumido con la misma facilidad que yt es la variable independiente y xt es la variable dependiente. En pocas palabras, estamos trabajando con dos variables de fyt; xtg y los dos modelos de regresin posibles relacionadas ellos son

En este sistema de dos variables (dos series) no puede haber slo una relacin nica entre xt y yt, por lo que debe ser el caso que b21 = 1 = b11 y b20 - B10 = b11. Un poco de terminologa: por (13.1a) decimos que hemos normalizado en y (lo que significa que el coeficiente frente y se pone a 1), mientras que para (13.1B) decimos que hemos normalizado en x (lo que significa que el coeficiente frente a x se establece en 1). Es mejor escribir la relacin como (13.1a) o (13.1B), o es mejor reconocer que en muchas relaciones, variables como x e y se determinan al mismo tiempo- El objetivo de este captulo es explorar la relacin causal entre pares de variables de series de tiempo. Al hacerlo, estaremos ampliando nuestro estudio de los datos de series de tiempo para tener en cuenta sus propiedades dinmicas e interacciones. En particular, vamos a discutir la correccin de error (VEC) y los modelos de vectores autorregresivos (VAR). Aprenderemos cmo estimar un modelo VEC cuando existe cointegracin entre I (1) variables y como estimar un modelo VAR cuando no hay cointegracin. Tenga en cuenta que esta es una extensin de los modelos de ecuacin nica examinados en el captulo 12. Algunos trminos importantes emerge aqu. El anlisis univariante se examinan una serie de datos nico. El anlisis bivariado examina un par de series. El vector de expresin indica que estamos considerando un nmero de serie: dos, tres, o ms. El trmino'' vector'' es una generalizacin de los casos univariante y bivariante. 13.1 modelos VEC y VAR Comencemos con dos variables de series de tiempo yt y xt y generalizar la discusin acerca de las relaciones dinmicas en el captulo 9 para producir un sistema de ecuaciones:

Las ecuaciones en (13.2) describen un sistema en el que cada variable es una funcin de su propio retraso y el retraso de la otra variable en el sistema. En este caso, el sistema contiene dos variables y y x. En la primera yt ecuacin es una funcin de su propia yt retraso 1 y el retraso de la otra variable en el sistema xt 1. En la segunda ecuacin xt es una funcin de su propia xt retraso 1 y el retraso de la otra variable en el sistema de yt1. Juntas, las ecuaciones constituyen un sistema conocido como un vector autorregresivo (VAR). En este ejemplo, ya que el retraso mximo es de orden 1, tenemos un VAR (1). Si Y y X son variables estacionarias I (0) , el sistema anterior se puede estimar usando mnimos cuadrados aplicados a cada ecuacin. Sin embargo, Y y X son no estacionarias son I (1) y no son cointegradas, a continuacin, como se ha discutido en el captulo 12, trabajamos con las primeras diferencias. En este caso, el modelo VAR es

Todas las variables son ahora I (0), y el sistema puede de nuevo ser estimados por mnimos cuadrados. En resumen: el modelo VAR es un marco general para describir la interrelacin dinmica entre variables estacionarias. Por lo tanto, si Y y X son estacionarias I (0) las variables, se utiliza el sistema en (13.2). Por otro lado, si x e y son I (1) variables, pero no estn cointegradas, se examina la interrelacin entre ellos utilizando un marco VAR en primeras diferencias (13.3). Si x e y son I (1) y cointegradas, entonces tenemos que modificar el sistema de ecuaciones para permitir la relacin de cointegracin entre el I (1) variables. Hacemos esto por dos razones. En primer lugar, como los economistas, nos gusta conservar y utilizar informacin valiosa sobre la relacin de cointegracin, y el segundo, como econometra, nos gustara asegurarnos de que utilizamos la mejor tcnica que tiene en cuenta las propiedades de los datos de series de tiempo. Recordemos el captulo sobre ecuaciones simultneas-la ecuacin de cointegracin es un modo de introduccin de interacciones simultneas sin necesidad de que los datos sean estacionarios. Presentando de la relacin de cointegracin conduce a un modelo conocido como el modelo VEC. Pasamos ahora a este modelo. Considere dos variables que no estacionario yt xt y que estn integradas de orden 1: yt I1 y xt I1 y que hemos demostrado estar cointegradas, por lo que

(13.4) y et I0 donde et son los residuos estimados. Tenga en cuenta que podra haber elegido para normalizar sobre x. Si normalizamos sobre y o x a menudo se determina a partir de la teora econmica, el punto crtico es que no puede haber como mximo una relacin fundamental entre las dos variables. El modelo VEC es una forma especial del VAR de I(1) variables que estn cointegradas. El modelo VEC es

(13.5a) que podemos ampliar como

(13.5b) Comparando (13.5b) con (13.2) muestra el VEC como un var donde el I (1) las variables yt se relaciona con otras variables rezagadas (yt- 1 y xt- 1) y en el variables I (1) xt tambin est relacionada con la las otras variables rezagadas (yt-1 y xt- 1). Tenga en cuenta, sin embargo, que las dos ecuaciones contienen la relacin de cointegracin comn. Los coeficientes a11, a21 son conocidos como coeficientes de correccin de errores, que se llaman as porque muestran cuanto Dyt y Dxt responden al error cointegracin yt-1 - b0- b1xt=et - 1. La idea de que el error conduce a una correccin se produce porque las condiciones de puesta en a11 a21; para asegurar la estabilidad, a saber, (-1<a11< 0) y (0< a21 <1). Para apreciar esta idea, considere un error positivo et- 1> 0 que se produjo debido yt-1>( B0 + b1xt- 1). Un coeficiente de correccin de error negativo en la primera ecuacin a11 asegura que Dy caga, mientras que el coeficiente de correccin de error positivo en la segunda ecuacin a21 asegura que Dx se eleva, corrigiendo as el error. Tener los coeficientes de correccin de error de menos de 1 en valor absoluto se asegura de que el sistema no es explosivo. Tenga en cuenta que el VEC es una generalizacin del modelo de correccin de errores (solo ecuacin) discutido en el Captulo 12. En el modelo VEC (sistema), tanto yt y xt'' errores- correctos". El modelo de correccin de error se ha convertido en un modelo muy popular debido a su interpretacin es intuitivamente atractivo. Piense dos variables no estacionarias, por ejemplo el consumo (llammoslo yt) y los ingresos (llammoslo xt), que esperamos estar relacionado (cointegradas). Ahora piense en un cambio en su ingreso Dxt, por ejemplo un aumento de sueldo!

El Consumo ms probablemente aumentar , pero que puede tomar un tiempo para cambiar su patrn de consumo en respuesta a un cambio en su salario. El modelo VEC nos permite examinar la cantidad de consumo va a cambiar en respuesta a un cambio en la variable explicativa (la parte de cointegracin, yt = b0 + b1xt +ET, as como la velocidad del cambio (la parte de correccin de errores, Dyt = a10+ a11et- 1+ + vyt donde et- 1 es el error de cointegracin). Hay un punto final para discutir el papel de los trminos de intercepcin. Hasta el momento, hemos introducido un trmino de interseccin en la ecuacin de cointegracin b0+, as como en el VEC (a10 y a20). Sin embargo, esto puede crear un problema. Para ver por qu, recogemos todos los trminos de intercepcin y de reescritura (13.5b) como

Si estimamos que cada ecuacin por mnimos cuadrados, obtenemos estimaciones de trminos compuestos (a10- a11b0) y (a20- a21b0)+, y no somos capaces de desentraar los efectos separados de b0, a10 y a20. En la siguiente seccin, se discute un sencillo de dos pasos el procedimiento menos plazas que evita este problema. Sin embargo, la leccin aqu es comprobar si, y cuando, se necesita un trmino de interseccin. 13.2 Estimacin de un modelo vectorial de correccin de errores Hay muchos mtodos economtricos para estimar el modelo de correccin de error. No lineales (sistema) de mnimos cuadrados es un mtodo, pero el mtodo ms sencillo es utilizar un procedimiento de dos pasos menos cuadrados. En primer lugar, el uso de mnimos cuadrados para estimar la relacin de cointegracin yt =b0 + + b1xt et y generar los residuos retardados ^ et- 1 =yt- 1- b0- b1xt- 1. En segundo lugar, el uso de mnimos cuadrados para estimar las ecuaciones:

Tenga en cuenta que todas las variables en (13.6) (DY; Dx y et) son estacionarios (recordar que para y y x para ser cointegrados, los residuos deben ser estacionarios). Por lo tanto, el anlisis de regresin estndar estudiado en los captulos anteriores se puede utilizar para probar la significancia de los parmetros. Las pruebas de diagnstico habituales residuales pueden aplicarse.

Tenemos que tener cuidado acerca como combinamos variables estacionario y no estacionarias en un modelo de regresin. La Cointegracin es acerca de la relacin entre I(1) variables. La ecuacin de cointegracin no contiene variables I(0). El modelo VEC correspondiente, sin embargo, se refiere al cambio en una variable I (1) (la variable I(0) de Dy y Dx) a otros I(0) variables , es decir, los residuos de cointegracin et- 1; Si se aade exigida, variables pueden ser estacionaria. En otras palabras, no debemos mezclar variables estacionarias y no estacionarias: una variable dependiente I(0)que en el lado izquierdo de una ecuacin de regresin debe ser explicado'''' por otras variables (0) en el lado derecho y una variable I(1) dependiente que en el lado de la izquierda de una ecuacin de regresin debe ser explicado por otras variables I(1) en el lado derecho. 13.2.1 Ejemplo En la Figura 13.1 se muestra el PIB real trimestral de una economa pequea (Australia) y una gran economa (Estados Unidos) para el perodo de la muestra 1970:1 a 2000:4. Tenga en cuenta que la serie ha sido reducido para que ambas economas muestran un valor del PIB real de 100 en 2000. Aparecen en el archivo gdp.dat. Parece figura desde que ambas series son no estacionarias y, posiblemente, cointegradas. las pruebas de raz unitaria formales de la serie confirmen que son de hecho no estacionario. Para comprobar la cointegracin se obtiene la ecuacin ajustada en (13.7) (el trmino de interseccin se omite porque no tiene ningn sentido econmico): ^ At =0.985 Ut, (13.7) donde A denota el PIB real de Australia y U denota el PIB real de Estados Unidos. Observe que hemos normalizado en A porque tiene ms sentido pensar en una economa pequea y en respuesta a una economa grande. Los residuos derivados de la relacin de cointegracin ^ et =A- 0:985 Ut se muestra en la Figura 13.2. Su primera autocorrelacin orden es 0.870, y una inspeccin visual de la serie de tiempo sugiere que los residuos pueden ser estacionaria. Se realiza una prueba formal de raz unitaria, y la ecuacin de prueba de raz unitaria estimada es Det =- 0:128 et- 1 tau+ - 2:889 + (13.8) Dado que la relacin de cointegracin no contiene un trmino de interseccin [vase el Captulo 12, (12.8A)], el valor crtico del 5% es- 2.76. La raz unitaria t-valor de- 2.889 es inferior- 2.76. Rechazamos la hiptesis nula de no cointegracin y llegamos a la conclusin de que las dos series de PIB real estn cointegradas. Este resultado implica que la actividad econmica en la economa pequea (Australia, A) est vinculada a la actividad econmica en la economa grande (Estados Unidos, Ut). Si Ut fuera a aumentar en una unidad, En aumentara en 0.985. Pero la economa australiana no puede responder plenamente por esta cantidad en el trimestre. Para determinar

cunto va a responder con un trimestre, estimamos que el modelo de correccin de error de mnimos cuadrados. El modelo VEC estimado para At; Utg es

Los resultados muestran que tanto los coeficientes de correccin de errores son del signo apropiado. El coeficiente de correccin de error negativo en la primera ecuacin de (- 0.099) indica que las cadas DA (es decir, en las cadas o DAT es negativo), mientras que el coeficiente de correccin de error positivo en la segunda ecuacin de (0.030) indica que el UE aumenta (es decir, se eleva o Ut DUT es positivo), cuando hay un error de cointegracin positivo ( et- 1> 0 o At- 1> 0.985Ut- 1). Este comportamiento (cambio negativo en A y un cambio positivo en U)'''' corrige el error de cointegracin. (- 0,099) El coeficiente de correccin de errores es significativo al nivel de 5%, sino que indica que el ajuste trimestral de A ser de aproximadamente 10% de la desviacin de Al 1 de su valor de cointegracin 0:985 Ut 1--. Este es un tasa lenta de ajuste. Sin embargo, el coeficiente de correccin de errores en la segunda ecuacin (0.030) es insignificante, sino que sugiere que el Du no reacciona al error de cointegracin. Este resultado es consistente con la idea de que la pequea economa es probable que reaccione a las condiciones econmicas de la economa general, pero no a la inversa. 13.3 Estimacin de un modelo VAR El VEC es un modelo dinmico multivariable que incorpora una ecuacin de cointegracin. Es importante que, para el caso bivariado, tenemos dos variables, digamos y e X, que son a la vez I (1), pero estn cointegradas. Ahora nos preguntamos: qu debemos hacer si estamos interesados en las interdependencias entre Y y X, pero no estn cointegradas- En este caso, se estima un modelo de vectores autorregresivos (VAR) como se muestra en (13.3). Como ejemplo, considere la Figura 13.3, que muestra el registro del ingreso real personal disponible (indicada como Y) y el registro de los gastos de consumo personal real (indicado como C) para la economa de EE.UU. durante el perodo 1960:1 a 2009:4. Ambas series parecen ser no estacionarias, pero son cointegradas?- Los datos estn en el archivo fred.dat. Las pruebas ADF para races unitarias para C e Y (para el caso con slo una intercepcin) dan valores- 1.995 y- 2,741, respectivamente. Dado un valor crtico de- 2,876 al 5% de significacin, podemos concluir que las series son no estacionarias. La prueba para la cointegracin para el caso normalizado en C se muestra a continuacin: Et= Ct + 0.404- 1.035 Yt

D et =- 0.088 et- 1- 0.299 D et- 1 tau+ - 2:873 + Este es un caso de prueba 2 [vase el Captulo 12, (12.8b)], ya que la relacin de cointegracin contiene un trmino de interseccin. Tenga en cuenta que un trmino de interseccin se ha incluido aqu para capturar el componente (log) El consumo, que es independiente de la renta disponible. El valor crtico 5% de la prueba de estacionariedad en los residuos de cointegracin es3,37. Dado que la tau (unidad de raz t-valor) de- 2,873 es mayor que- 3,37, que indica que los errores no son estacionarias, y por lo tanto que la relacin entre C (es decir, ln (RPCE)) e Y (es decir, ln ( RPDI)) es que es espurio, no tenemos cointegracin. Por lo tanto, no se aplica un modelo VEC para examinar la relacin dinmica entre el consumo total de C y el ingreso Y. En cambio nos estimar un modelo VAR para el conjunto de I (0) Variables {DCT, DYT}. Para propsitos ilustrativos, el orden de retardo en este ejemplo se ha restringido a uno. En general, hay que comprobar si el significado de los trminos de retraso de ms de uno. Los resultados son D Ct = 0:005+0.215 DCt- 1 + 0.149 DYt- 1 t+ D6.969 D2. 884 2.587

D Yt = 0:006+ 0.475 DCt- 1- 0.217 DYt- 1 6. 122 4. 885 2. 889 La primera ecuacin (13.11a) muestra que el crecimiento trimestral en el consumo (DCT) se relacion significativamente con su valor propio pasado (DCT- 1), y tambin una relacin significativa con el crecimiento trimestral de los ingresos del ltimo periodo (DYT- 1). La segunda ecuacin (13.11b) muestra que DYT es significativamente relacionada negativamente con su propio valor pasado pero significativamente positivamente relacionada con el cambio del ltimo periodo de consumo. Los trminos constantes capturar el elemento fijo por el cambio en el consumo y el cambio en el logaritmo del ingreso . Habiendo estimado estos modelos, podemos inferir algo ms- Si el sistema se somete a un choque de ingresos, cul es el efecto de la repercusin en el camino dinmico del crecimiento trimestral en el consumo y los ingresos- Van a subir, y si es as, cunto- Si el sistema tambin se somete a un choque de consumo, cul es la contribucin de los ingresos frente a un choque de consumo en la variacin de los ingresos- Pasamos ahora a un anlisis adecuado para abordar estas cuestiones. 13.4 Las respuestas de impulso y descomposiciones de la varianza Funciones de impulso respuesta y descomposiciones de varianza son las tcnicas que se utilizan los macroeconometristas para analizar problemas como el efecto de un shock de precios del petrleo sobre la inflacin y el crecimiento del PIB, y el efecto de un cambio en la poltica monetaria en la economa.

13.4.1 funciones de impulso- respuesta Funciones de impulso respuesta muestran los efectos de las perturbaciones en la trayectoria de ajuste de las variables. Para ayudarnos a entender esto, debemos considerar primero una serie univariante. 13.4.1a El caso univariante Considere la posibilidad de una serie univariante yt =ryt- 1 + vt y lo someta a un choque de tamao v en el primer periodo. Asumir un valor arbitrario a partir de y en el tiempo cero: y0 =0. (Dado que estamos interesados en la trayectoria dinmica, el punto de partida es irrelevante.) En el tiempo t = 1, tras el choque, el valor de y ser: y1 = pY0+ v1 =v Supongamos que no hay choques posteriores en perodos de tiempo ms tarde v2, v3 =- - - = 0, en el instante t = 2, y2 py1 ==pv. En el momento t = 3, y3 =pY2 =p(py1)=p2 v, y as sucesivamente. As, el tiempo de la ruta de y despus del choque es v; pv; p2v. Los valores de los coeficientes (1; p; p2;. . . ) son conocidos como multiplicadores, y el tiempo de la trayectoria de y despus de la descarga se conoce como la funcin de respuesta de impulso. Para ilustrar, supongamos que r = 0:9 y deje que el choque sea la unidad: v = 1. De acuerdo con el anlisis, y ser f1, 0:9, 0:81,. . . ); acercarse a cero con el tiempo. Esta funcin de respuesta de impulso se representa en la figura 13.4. Nos muestra lo que sucede en y despus de un shock. En este caso, y se eleva inicialmente por el importe total de la descarga y luego se vuelve gradualmente al valor antes del choque. 13.4.1b El caso bivariado Ahora, vamos a considerar un anlisis de la funcin de respuesta impulso con dos series de tiempo basado en un sistema VAR bivariante de variables estacionarias: yt = d10+ d11yt- 1 + d12xt- 1+ vy xt = d20+d21yt- 1 + d22xt- 1 +vx (13.12) En este caso, hay dos posibles perturbaciones en el sistema uno a Y y el otro a x. Por lo tanto estamos interesados en cuatro funciones-la respuesta de impulso del efecto de un shock y en los caminos temporales de Y y X y el efecto de un shock para x en el tiempo de los caminos de yy x. Los mecanismos actuales de generacin de respuestas de impulso en un sistema se complica por el hecho de que (i) uno tiene que tener en cuenta la dinmica interdependientes (el anlogo multivariado de la generacin de los multiplicadores) y (ii) uno tiene que identificar la descarga correcta de los datos no observables. Tomados en conjunto, estos dos complicaciones conducen a lo que se conoce como el problema de identificacin. En este captulo, se considera un caso especial en el que no hay identificacin problema.1 Este caso especial se presenta cuando el sistema que se describe en (13.12) es una verdadera representacin de la dinmica del sistema, es decir, y se relaciona nicamente con los rezagos de y y x y x se refieren nicamente a los retrasos

de yy x. En otras palabras, y y x estn relacionados dinmicamente, pero no simultneamente. El valor actual xt no aparece en la ecuacin para yt yt y el valor actual no aparece en la ecuacin para xt. Adems, tenemos que asumir que los errores vxt y vyt son independientes el uno del otro (contemporneamente correlacionadas). Adems, suponemos que vy N(0; 2) y vx N(0; 2) . Considere el caso cuando hay un choque una desviacin estndar (llamados alternativamente una innovacin) y de modo que en el instante t = 1, vy=sy, y v y t es cero, a partir de entonces. Asumir vxt=0 para todo t. Es tradicional para considerar un choque de una desviacin estndar (innovacin) en lugar de una unidad de choque para superar los problemas de medicin. Supongamos y0 ==x0 0. Adems, dado que nos estamos centrando en cmo un choque cambia las rutas de Y y X, podemos ignorar las intersecciones. Entonces 1. Cuando t = 1, el efecto de un choque de tamao por sy en y es y1 =vy1=sy, y el efecto sobre x es x1 =v x1=0. 2. Cuando t = 2, el efecto del choque de y es y2 = d11y1+ d12x1+d11sy == d120+d11sy y el efecto sobre x es x2 =d21y1+ d22x1 = d21sy+ d220 =d21sy: 3. Cuando t = 3, el efecto del choque de y es y3 = d11y2 +d12x2 = d11d11sy+ d12d21sy y el efecto sobre x es x3 =d21y2+d22x2 = d21d11sy+ d22d21sy Mediante la repeticin de las sustituciones de t = 4; 5;. . . , Obtenemos nuevas expresiones. La respuesta al impulso del choque (o innovacin) a y en Y es syf1; d11; d11d11 + d12d21+;. . . G y la respuesta al impulso de un choque de y sobre x es syf0; d21; d21d11 + d22d21+;. . . G: Ahora considere lo que ocurre cuando hay una desviacin estndar de un choque de x para que en el momento t = 1; vx1=sx, y v xt es cero a partir de entonces. Supongamos v yt = 0 para todo t. En el primer perodo despus de la conmocin, el efecto de un shock de tamao sx on y es y1 =vy1=0, y el efecto del choque de x es x1 =v x t =sx. Dos perodos despus del choque, cuando t = 2, el efecto sobre y es y2 =+ d11y1 d12x1 d110 ==+ d12sx d12sx y el efecto sobre x es x2 =d21y1 d22x1 = d21 0 d22sx =d22sx Una vez ms, por sustituciones repetidas, obtenemos la respuesta al impulso de un choque de x sobre y como sx[0; d12; d11d12 + d12d22+;. . . ], y la respuesta al impulso de un choque de x en x como SX[1; d22; d21d12 + d22d22+;. . . ]. La figura 13.5 muestra las cuatro funciones de impulsorespuesta para los valores numricos: SY =1, sx =2, d11=0.7, d12 =0.2, d21 y d22=0.6

La ventaja de examinar las funciones de respuesta de impulso (y no slo coeficientes VAR) es que muestran el tamao del impacto del choque, ms la velocidad a la que el choque se disipa, lo que permite interdependencias. 13.4.2 Error de Prediccin descomposiciones de la varianza Otra forma de separar los efectos de varios shocks es tener en cuenta la contribucin de cada tipo de shock a la varianza del error de prediccin. 13.4.2a Anlisis univariado Consideremos de nuevo la serie univariado, yt =ryt- 1 + vt. El mejor pronstico de un paso por delante (o bien el periodo de previsin adelante) es yFt+1=Et [pyt + vt+1] donde Et es el valor esperado condicional de la informacin en el tiempo t (es decir, que estamos interesados en el valor medio de yt+1 utilizando lo que se conoce en el momento t). En el momento t la expectativa condicional Et[pyt] =ryt es conocido, pero el vt+1 error es desconocido, y por lo que su expectativa condicional es cero. As, la mejor previsin de yt+1 es ryt, y el error de pronstico es yt+1- Et [ yt+1] =yt+1- pyt =vt+1 La varianza del error de prediccin de un solo paso es var(pvt+1) =s2. Supongamos que deseamos pronosticar dos pasos por delante, con la misma lgica, la previsin de dos pasos se convierte en

y el error de prediccin de dos pasos se convierte en

En este caso, la varianza del error de prediccin es var(pvt+1 vt+2) =s2(p2 +1), que muestra que la varianza del error de prediccin se incrementa a medida que aumenta el horizonte de proyeccin. En este ejemplo univariante, slo hay un choque que conduce a un error de prediccin. Por lo tanto la varianza del error de prediccin es de 100%, debido a su estado de shock. El ejercicio de la atribucin de la fuente de la variacin en el error de pronstico se conoce como descomposicin de la varianza. 13.4.2b Anlisis bivariado

Se puede realizar una descomposicin de la varianza para nuestro ejemplo bivariante especial en el que no hay problema de identificacin. Haciendo caso omiso de las intersecciones (ya que son constantes), por delante de las previsiones de un paso son

Los errores de pronstico de un paso por delante correspondientes y las variaciones son

Por lo tanto en el primer perodo, toda la variacin en el error de pronstico para y es debido a su propio choque. Del mismo modo, el 100% del error de prediccin para x se puede explicar por su propio choque. Utilizando la misma tcnica, los dos-paso por delante pronostica para y es

y que para x es

Los errores de prediccin en dos etapas-por delante correspondientes y las variaciones son (recordemos que estamos trabajando con el caso especial de los errores independientes)

Podemos descomponer la varianza del error de prediccin para y, que, debido a los choques a Y, , y que debido a los choques a x,

en

La descomposicin se expresa a menudo en trminos proporcionales. La proporcin de los dos pasos varianza del error de prediccin de y explicado por su propio choque es

y la proporcin de la varianza del error de prediccin de dos pasos de y explica por el otro choque es

Del mismo modo, la proporcin de la varianza del error de prediccin de dos pasos de x explicarse por su propia choque es

y la proporcin del error de prediccin de x explicarse por el otro choque es

Para nuestro ejemplo numrico con sy =1, sx 2 , =0:7 d11, d12 =0:2, d21 =0:3, y d22 =0:6, encontramos que 90,303% de la varianza del error de prediccin en dos etapas de y es debido a la y, y slo 9,697% se debe a x. En resumen, supongamos que estaba interesado en la relacin entre el crecimiento econmico y la inflacin. Modelo AVAR le dir si estn significativamente relacionados unos con otros, un anlisis de la respuesta de impulso se muestra cmo el crecimiento y la inflacin reacciona dinmicamente a las crisis, y un anlisis de descomposicin de la varianza ser informativo sobre las fuentes de volatilidad. 13.4.2c el caso general El ejemplo anterior se supone que X e Y no son contemporneamente relacionados y que los choques no estn correlacionadas. No hay ningn problema de identificacin, y la generacin e interpretacin de las funciones de impulso-respuesta y la descomposicin de la varianza del error de prediccin son sencillos. En general, esto es poco probable que sea el caso. Interacciones contemporneos y errores correlacionados complican la identificacin de la naturaleza de las perturbaciones y por lo tanto, la interpretacin de los impulsos y la descomposicin de las causas de la varianza del error de prediccin. Este tema se trata en mayor detalle en los libros de texto

dedicados a tiempo-serie analysis.2 Una descripcin de cmo el problema de identificacin puede surgir se da en el apndice 13A.