CAPITULO 2- Parte B. Tcnicas Avanzadas de Prediccin. Modelos de vectores autorregresivos (VAR). Modelos de vectores de correccin del error (VEC).

Modelos autorregresivos y condicionales heterocedsticos (ARCH).

Bibliografa Bsica Pulido San Romn, A. (2004) Curso combinado de Prediccin y Simulacin. www.uam.es/predysim. Universidad Autnoma de Madrid. Captulo 5 Gujarati, D. (2006). Econometra. 4 Edicin. Mc Graw Hill. Mxico. Captulos 22. Pindyck, R. y D. Rubinfeld (2001). McGraw Hill. 4Edicin. Parte 4, Captulos 15 a 19. Prez Lpez, C. (2006) Econometra. Conceptos y Problemas resueltos de Econometra. Thompson. Captulo 4.

B. Tcnicas Avanzadas de Prediccin

Abordamos aqu tres tcnicas que podemos considerar como avanzadas, tanto por su planteamiento metodolgico como por lo reciente de su desarrollo. Estas son: los modelos de vectores autorregresivos, los modelos de correccin del error y los modelos autorregresivos condicionales heteroscedsticos. Estas tcnicas suponen avances notables en la modelizacin de fenmenos econmicos, tanto por adaptarse a una casustica econmica tan variada que precisa de tratamientos especficos, como por resolver problemas no estudiados hasta no hace mucho. De hecho, an hoy contina investigndose sobre refinamientos tcnicos. Aun as, el desarrollo de estas tcnicas ha sido tan espectacular que ya se han constituido como tcnicas habituales a efectos de prediccin. Existe ya un acervo suficientemente consolidado sobre las mismas, al tiempo que ya se ha desarrollado su software equivalente. Por todo ello, desarrollaremos cada tcnica en un nivel bsico y pragmtico, acompaadas de un ejercicio prctico de aplicacin en EViews. Para seguir las soluciones se adjuntan tres Workfile de EViews denominados Ejercicio 1, Ejercicio 2 y Ejercicio 3. Hemos organizado el acpite en 3 apartados, cada uno con su correspondiente resumen y explicaciones adicionales de conceptos. Se incluyen documentos explicativos, ejercicios de aplicacin prctica y el test de autoevaluacin. En conjunto consideramos que el aprovechamiento ptimo de la unidad pasa por una dedicacin de unas 15 horas. Unas 6 para el estudio de los conceptos tericos, unas 5 para la realizacin de los ejercicios, y el resto para la actividad propuesta y la realizacin del test de autoevaluacin.

1. Modelos de Vectores Autorregresivos (VAR) Resumen Hasta el momento hemos abordado la prediccin de series de manera individual. En la prctica real a veces es necesario predecir varias series de manera conjunta puesto que pueden estar relacionadas entre s. Una de las posibilidades es afrontarlo con modelos de ecuaciones simultneas, pero esta opcin tiene algunas dificultades. Por ello surgen como alternativa los modelos VAR. La esencia de los modelos VAR es la siguiente: se propone un sistema de ecuaciones, con tantas ecuaciones como series a analizar o predecir, pero en el que no se distingue entre variables endgenas y exgenas. As, cada variable es explicada por los retardos de s misma (como en un modelo AR) y por los retardos de las dems variables. Se configura entonces un sistema de ecuaciones autorregresivas tambin llamado vector autorregresivo (VAR) La expresin general de un modelo VAR vendra dada por la siguiente expresin:

donde es un vector con las g variables objeto de prediccin es un vector de k variables que explican (llammoslas explicadas), adicionalmente a las anteriores, los coeficientes alpha y beta son matrices de coeficientes a estimar, y psilon es un vector de perturbaciones aleatorias (una por ecuacin), cada una de las cuales cumple individualmente el supuesto de ruido blanco (homoscedasticidad y ausencia de autocorrelacin), y entre ellas cumplen el supuesto de homoscedasticidad inter-ecuaciones. As especificado el modelo, puede ser estimado de manera consistente por mnimos cuadrados ordinarios (MCO). La prediccin en el modelo es directa.

Origen de los Vectores Autorregresivos A la hora de realizar prediccin conjunta de varias series econmicas podemos encontrarnos con que entre ellas existan relaciones mutuas de interdependencia. Una de las alternativas para la prediccin es estimar un sistema de ecuaciones que refleje las relaciones de interdependencia o causalidad que pueden darse entre las variables, bien sean las que sern objeto de prediccin u otras relacionadas con aquellas. Este es el enfoque de los modelos de ecuaciones simultneas o estructurales. Ahora bien, en los modelos de ecuaciones simultneas, es necesario distinguir entre variables endgenas y variables predeterminadas. Esta distincin tiene una cierta base en la direccin de la causalidad de las variables y est inspirada en las relaciones sugeridas por la teora econmica. Lo que ocurre es que la teora econmica no siempre sugiere una especificacin concreta entre variables. Adems, poco nos dice de la relacin dinmica de las mismas, cuando el tiempo interviene en las ecuaciones, al incluir variables con retardos o desfasadas. Ms an, la estimacin e inferencia se complica con el hecho de que las variables explicadas pueden aparecer tanto a la izquierda como a la derecha de las ecuaciones, es decir, pueden tambin intervenir como variables explicativas. La adopcin de una especificacin en estas condiciones (distincin entre variables endgenas, nmero de retardos ptimo,...) adolece de una alta subjetividad. Adems, estos modelos para ser correctamente estimados deben superar una serie de condiciones conocidas como de identificacin que suponen, en la prctica, que algunas de las variables predeterminadas no intervienen en todas las ecuaciones. Nuevamente, cuestin subjetiva en la especificacin. Estos aspectos movieron a Sims a proponer una alternativa en la modelizacin de la relacin entre varias variables. En su artculo original critica la modelizacin economtrica convencional para la realizacin de la identificacin de los modelos de ecuaciones estructurales. El objetivo fundamental de la propuesta era proporcionar una estrategia alternativa de modelizacin. Esta nueva modelizacin evitara las imposiciones derivadas de la estimacin e identificacin de un modelo economtrico, y permitira especificar modelos que reflejaran lo ms fielmente posible las regularidades empricas e interacciones entre las variables objeto de anlisis. Nacan as los modelos VAR1. Por qu vector y autorregresivo? Recordemos la metodologa de los modelos autorregresivos (AR): se especificaba en funcin de sus propios valores el comportamiento de una variable, digamos pasados. Por ejemplo, un modelo AR (p) vena dado por la expresin:

Sims, C. (1980), Macroeconomics and Reality, Econometrica, Vol. 48 (1), jan.,

pp.1-48.

Pues bien, supongamos que en lugar de modelizar el comportamiento de una variable, modelizamos el de k variables. Es decir consideremos un vector columna de k variables aleatorias:

que es modelizado en trminos de valores pasados de dicho vector. El resultado es un vector autorregresivo (VAR). Un ejemplo de formulacin de un Modelo VAR Pongamos por ejemplo el ms sencillo de los VAR: intervienen dos variables y

, explicadas en funcin de un retardo. El modelo se puede expresar desarrolladamente como:

donde el primer subndice hade referencia a la ecuacin, y el segundo al parmetro. Vectorialmente podramos obtener una expresin como:

La estimacin del VAR Para la estimacin del modelo VAR se parte de una eleccin sobre el nmero de variables que componen el sistema, el nmero mximo de retardos a incluir y, si se quiere, de una matriz de trminos deterministas (constantes, variables ficticias u otro tipo de variables, pero de carcter determinista). En los modelos VAR se produce una ausencia de simultaneidad: las variables explicativas son todas retardadas y como consecuencia de la ausencia de autocorrelacin no estn correlacionadas con las perturbaciones aleatorias. Por todo ello el modelo puede ser estimado consistentemente por MCO. Aunque la existencia de correlaciones entre las distintas ecuaciones podra inducir la necesidad de utilizar mtodos de estimacin con informacin completa (mxima verosimilitud), lo cierto es que al no existir restricciones en la matriz de

coeficientes (todas las variables aparecen incluidas en todas las ecuaciones) los mtodos alternativos no sern ms eficientes que los de MCO. Nmero de retardos y simulacin en modelos VAR El aspecto de mayor peculiaridad en la estimacin del modelo VAR suele venir dado por la eleccin del nmero ptimo de retardos. Contamos con procedimientos para ello. As estimado, el modelo presenta unos parmetros de difcil interpretacin. Por ello, la simulacin con modelos VAR adquiere matices especiales. Se realiza a travs de las funciones de impulso-respuesta y del anlisis de la descomposicin de la varianza del error. A pesar de su sofisticacin estadstica, los modelos VAR no estn exentos de crticas. Por ello, tambin han surgido planteamientos alternativos. a) Procedimientos La determinacin del nmero ptimo de retardos debe realizase de forma cuantitativa, ya que no existen evidencias tericas al respecto. Sims en su artculo original propone la utilizacin de un ratio de verosimilitud entre el modelo restringido (el que tiene el menor nmero de retardos) y el modelo ampliado (el que incluye todos los retardos deseados). Ese ratio viene dado por:

donde T es el nmero de observaciones, c nmero de variables del modelo ampliado, sigma mayscula son las matrices de productos cruzados de los residuos y R el nmero total de restricciones. Contamos tambin con otras medidas para determinar el retardo ptimo: Akaike Information Criteria (AIC) o Schwarz Criteria (SC). Los programas que estiman modelos VAR incluyen estos criterios. Practicaremos su uso en el ejercicio 1. b) Funcin de impulso-respuesta y anlisis de descomposicin de la varianza La funcin de impulso-respuesta y el anlisis de descomposicin de la varianza analizan las interacciones dinmicas que caracterizan al sistema estimado. Ello permite identificarlas con la simulacin del modelo. Con la simulacin pretendemos analizar los efectos que en las variables endgenas provocan las variaciones de las variables exgenas. Puesto que en los modelos VAR no existen, en sentido estricto, variables exgenas, las alteraciones se incluyen en algunas de las variables explicadas. La funcin impulso-respuesta muestra la reaccin (respuesta) de las variables explicadas en el sistema ante cambios en los errores. Un cambio (shock) en una variable en el perodo i afectar directamente a la propia variable y se transmitir

al resto de variables explicadas a travs de la estructura dinmica que representa el modelo VAR. Por ejemplo, supongamos que las exportaciones totales (EXGS) y las importaciones totales de bienes y servicios (IMGS) estn determinadas conjuntamente por un modelo VAR de dos ecuaciones sin trmino independiente y con un retardo de las variables endgenas. El modelo VAR resultante sera:

Un cambio en modificar inmediatamente el valor presente de EXGS, pero tambin puede modificar los valores futuros de EXGS e IMGS al incluirse el valor retardado de EXGS en ambas ecuaciones. y no estn correlacionadas, la Si, en este ejemplo, las innovaciones interpretacin es sencilla, pues sera la innovacin para EXGS y la innovacin para IMGS. La funcin de respuesta de impulso para mide el efecto de una variacin en los errores sobre los valores actuales y futuros de las importaciones y el valor futuro de las exportaciones. Sin embargo, normalmente los vectores de innovaciones estn correlacionados, de forma que presentan un componente comn que no puede ser asociado a ninguna variable especfica. Un procedimiento arbitrario, pero de uso generalizado, para resolver este problema consiste en atribuir todo el efecto de cualquier componente comn a la variable que se especifica en primer lugar en el y se atribuye modelo VAR. En nuestro ejemplo, el componente comn de totalmente a , porque precede a . De esta forma, es la innovacin de las exportaciones, y , las innovaciones de las importaciones, se transforman para sustraerles el componente comn. Tcnicamente, esto significa que los errores se ortogonalizan por el procedimiento de descomposicin de Cholesky, de forma que la matriz de covarianzas de las innovaciones resultante es diagonal. Aunque la descomposicin de Cholesky es un mtodo de uso generalizado, no deja de ser bastante arbitrario a la hora de atribuir los efectos comunes. Adems, hay que tener siempre presente que al cambiar el orden de las ecuaciones, los resultados de las funciones de repuesta de impulso pueden variar drsticamente. En definitiva, las simulaciones con modelos VAR son atemporales, en el sentido de que slo recogen la influencia de acuerdo con el transcurso del tiempo, pero no

estn asociadas a un perodo concreto, como en el caso de las simulaciones con modelos estructurales. Operativamente la realizacin de simulaciones con modelos VAR se realiza mediante los siguientes pasos: 1) Se ordenan las variables de mayor a menor exogeneidad relativa, lo cual conlleva cierta carga de subjetividad, quizs anloga a la distincin entre variables endgenas y predeterminadas realizada en los modelos estructurales. 2) Se transforma el modelo de acuerdo con una matriz deducida de la ordenacin realizada. 3) Se re-estima el modelo transformado en su forma autorregresiva. 4) Se computa la representacin de medias mviles del nuevo modelo estimado. 5) Se incorpora un determinado valor a la perturbacin aleatoria de una ecuacin, normalmente equivalente a una desviacin tpica de dicha perturbacin. 6) Se calculan los valores restantes de la transformacin de dicha perturbacin mediante la matriz de medias mviles estimada en el paso 4. 7) Se representan los valores obtenidos para cada variable incluida en el sistema. Dada la complejidad del proceso todos los programas que incluyen estimacin de modelos VAR tiene incorporadas rutinas para la obtencin de estas funciones impulso-respuesta de forma automtica, tal y como veremos en el ejercicio 1. Algunas crticas a la metodologa VAR Varios son los argumentos que cuestionan o matizan el procedimiento de prediccin y simulacin mediante la utilizacin de modelos VAR. Gujarati sintetiza estas crticas en los siguientes puntos: 1) Los modelos VAR no son tericos, a diferencia de los modelos de ecuaciones simultneas. La renuncia a la cuantificacin de las relaciones establecidas por la teora es un alto precio, que en ciertos contextos no siempre se puede pagar. 2) Los modelos VAR se concentran en prediccin. Su metodologa y desarrollo los hace menos apropiados para la simulacin de polticas econmicas. Como vimos, en este contexto, y puesto que no distinguimos entre endgenas y exgenas, sencillamente asimilamos simulacin con el anlisis de los efectos sobre las variables del sistema de un cambio aleatorio conocido. 3) Con frecuencia los modelos VAR presentan problemas de grados de libertad. Efectivamente, en la prctica el tamao de la muestra no es lo suficientemente amplio como para estimar modelos con un nmero elevado de retardos y de variables. Se presenta pues una sobreparametrizacin.

4) La estimacin en niveles de un modelo VAR, la prctica habitual, obvia los problemas de estacionariedad conjunta de las series. La transformacin apropiada de estas series no siempre arroja resultados positivos. 5) La utilidad del anlisis de la funcin de impulso respuesta, base del anlisis VAR, sigue siendo cuestionado por los investigadores. Todo ello no puede obviar que los modelos VAR alivian al investigador de la cuestin subjetiva de determinar qu variables son endgenas y cules exgenas, permite una fcil estimacin por MCO individual a cada ecuacin, y parece que se obtienen predicciones ms acertadas frente a modelos de ecuaciones simultneas ms complejos. En este sentido cabe sealar como lmite de prediccin de estos modelos el corto plazo, que podramos fijar en el propio orden del retardo. Para horizontes temporales ms largos, al no incorporar informacin adicional, la inercia de la informacin disponible se va deteriorando a medida que alargamos el horizonte. Planteamientos alternativos a los modelos VAR Varios son las alternativas metodolgicas que se fundamentan en los modelos VAR originales, a los que podramos denominar UVAR (Unrestricted VAR). Entre ellos sealamos: Modelos VAR Estructurales (SVAR): Partiendo de una propuesta de Blanchard, la transformacin se realiza a partir de una matriz que recoge restricciones a priori basadas en la propia teora econmica. Modelos VAR Parciales (PVAR): se trata de una especificacin ms parsimoniosa que evita la sobreparametrizacin, ya que cada ecuacin puede contener un nmero diferente de parmetros. Modelos VAR cointegrados (o modelos de vectores de correccin del error, VEC). Surgen por la aplicacin de la metodologa de deteccin de races unitarias y la teora de la cointegracin al campo de los modelos VAR. Modelos VARMA: que incorporan un componente de medias mviles sobre la perturbacin aleatoria. El usuario interesado en estos desarrollos puede consultar la bibliografa recomendada de la Unidad.

EJERCICIO 1: Estimacin y simulacin de un modelo VAR en EViews

En el WORKFILE Ejercicio 1 disponemos de los datos sobre el tipo de inters interbancario a 90 das (TIC) y el ndice de precios al consumo (IPC). Estas series presentan frecuencia mensual, con un horizonte temporal desde Enero de 1980 hasta Noviembre de 1988.

1) Estime con EViews un modelo VAR con trmino independiente y 2 retardos. Analice los criterios que utilizara para elegir el retardo ptimo. 2) Realice simulacin con la funcin de impulso respuesta. 3) Simule ahora con un anlisis de descomposicin de la varianza. 4) Realice la prediccin hasta Junio de 1999.

a) Estimacin y eleccin del retardo Para la estimacin de modelos con vectores autorregresivos podemos utilizar dos vas: una, a travs del men principal con QUICK / ESTIMATE VAR, y otra creando un objeto que sea, precisamente, un modelo VAR: OBJECTS / NEW OBJECT / VAR. En ambos casos, accedemos a la siguiente pantalla, en la que hemos incluido el trmino independiente en la especificacin (Exogenous) y hemos indicado el nmero de retardos seleccionados, hasta dos. En la aplicacin se obtiene una salida de estimacin, en primer lugar con el ndice de precios al consumo (IPC) como variable dependiente; y en segundo lugar, con la variable Tipo de inters (TIC) como dependiente.

Cada columna de la tabla corresponde a la ecuacin para cada una de las variables endgenas en el modelo VAR. Por filas, tenemos las variables explicativas, para las que se indica el valor de su coeficiente estimado, la desviacin tpica y el clculo de la t-student. Por ejemplo, el coeficiente que acompaa a la variable IPC con un perodo de retardo (en la ecuacin del IPC como variable endgena (primera columna) tiene un valor estimado de 1,023, con una desviacin tpica de 0,067, resultando entonces un valor significativo de su tstudent (15,17). Al final de esta tabla de resultados se muestran los resultados de la regresin para cada ecuacin, computando los resultados por separado. As, en la primera ecuacin (la que define al IPC como variable dependiente) se alcanza una bondad del ajuste del 0,99%, siendo algo inferior (0,97%) en la ecuacin que explica al tipo de inters (TIC). En la parte inferior de la salida de resultados, aparecen los estadsticos del modelo VAR en su conjunto: el determinante de la covarianza residual (Determinant Residual Covariance); el valor del logaritmo de verosimilitud (Log Likelihood); y los dos estadsticos de criterios restantes (Akaike Information Criteria: AIC; Schwarz Criteria: SC). Estos criterios de informacin pueden

utilizarse para seleccionar el modelo ms apropiado entre diferentes modelos VAR con distintos retardos especificados, que ser, precisamente, aquel que presente un valor ms bajo para estos estadsticos. b) Funcin de impulso-respuesta Una vez estimado el modelo VAR, la principal utilizacin del modelo son las funciones de impulso-respuesta y el anlisis de descomposicin de la varianza que EViews proporciona automticamente. En el primer caso, para obtener la funcin impulso-respuesta, dentro del men de la ventana creada para el modelo VAR seleccionamos IMPULSE, y en la nueva ventana marcamos las opciones de visualizacin de los datos (TABLE), funcin de respuesta de impulsos (IMPULSE RESPONSES) y aceptamos, por defecto, el nmero de perodos que nos indica EViews (10).

Una funcin de impulso-respuesta muestra el efecto de un cambio en los errores sobre las variables endgenas del sistema de ecuaciones. EViews nos muestra nuestro modelo, con sus dos ecuaciones, de tres formas diferentes, seleccionando VIEW / REPRESENTATIONS dentro del men de la ventana del modelo VAR estimado.

En las expresiones, el primer nmero que figura dentro de C(n, n) se refiere al orden (nmero) de la ecuacin en el modelo VAR, mientras que el segundo nmero se refiere al orden que ocupa la variable en cada ecuacin. Por ejemplo, C (2,3) es el coeficiente del tercer regresor (TIC (-1)) en la ecuacin segunda (la de TIC). A continuacin, los coeficientes ya se sustituyen por los modificar automticamente el valor de la valores estimados. Un cambio en variable IPC, pero no slo se alterar el valor de sta, tambin el de la variable TIC debido a la estructura dinmica del sistema. Una respuesta de impulso separa los determinantes de las variables endgenas en cambios o innovaciones identificadas con variables especficas. De esta forma, una funcin de impulsorespuesta para medir el efecto de una desviacin en TIC hoy sobre el valor actual y futuro de IPC y TIC. La funcin impulso-respuesta mide un cambio en los errores equivalente al valor de su desviacin tpica que es, precisamente, 0.32, valor que aparece como respuesta de IPC en el primer perodo y que podemos comprobar fcilmente a partir de los resultados de la regresin previa.

As, un cambio en los errores de la ecuacin de IPC, del orden de una desviacin tpica del error de esta primera ecuacin, provoca un incremento equivalente a 0.32 en el perodo inicial, aumentando a 0.33 despus de 2 y 3 perodos. A partir del cuarto perodo los efectos tienden a decrecer lentamente. Por otra parte, el efecto sobre los tipos de inters es nulo en el primer perodo (por planteamiento), incluso negativo durante los perodos 2 y 3, pero va acumulando sus efectos hasta aadir 0.03 al cabo de 10 perodos. Un cambio en TIC, equivale a una desviacin tpica del error de esta segunda ecuacin (0.69, segn resultados precedentes), apenas tiene efecto sobre precios en el primer perodo como resultado de situar la variable IPC antes de TIC en el orden -, y provoca una cada de 0.03 y 0.06 despus de 2 y 3 perodos en IPC. Sobre los propios tipos de inters, el efecto va aumentando durante los tres primeros perodos hasta transformar el cambio inicial de 0.69 a 0.90, para despus ir reducindose progresivamente su impacto hasta alcanzar 0.46 al final del perodo considerado de 10 meses. Podemos visualizar los efectos comentados en trminos grficos si en lugar de seleccionar tabla de resultados (TABLE) en las opciones para obtener la funcin de respuesta de impulso indicamos la opcin grfica (COMBINES RESPONSE GRAPHS).

En definitiva, y en este caso, comprobamos, nuevamente, que el efecto de un shock sobre la variable tipo de inters no tiene efecto sobre la variable ndice de precios al consumo, mientras que los efectos sobre la propia variable son crecientes hasta el tercer perodo donde empiezan a decrecer. c) Anlisis y descomposicin de la Varianza Para obtener el clculo de la descomposicin de la varianza, seleccionamos en VIEW esta opcin (VARIANCE DESCOMPOSITION) La columna S.E. de la tabla puede interpretarse como el error de la prediccin de la variable IPC en diferentes perodos en el futuro. La fuente de este error de prediccin es la variacin en los valores actuales y futuros de las innovaciones de cada variable endgena en el modelo VAR. Vemos que se indica un error de prediccin de 0.32 en un primer perodo y de 0.46 en dos perodos hacia delante, y as siguiendo

Las otras dos columnas muestran el porcentaje de variacin debido a cada innovacin especfica, donde cada fila suma la unidad. Un perodo hacia delante, toda la innovacin de IPC es debida a cambios en IPC, y dos perodos hacia delante del porcentaje de explicacin corresponde un 99.93 a IPC, y el resto (0.07) a TIC. La segunda parte de la tabla nos muestra que, de nuevo, la descomposicin de la varianza depende del orden de las ecuaciones. As, si situamos TIC en primer lugar, antes del IPC, obtenemos resultados diferentes. Por ltimo, suponiendo que los resultados obtenidos con la estimacin de este modelo VAR fuesen satisfactorios para el objetivo perseguido, podramos realizar predicciones con el modelo (recuerde ampliar la muestra con PROC, seleccione STRUCTURE/RESIZE CURRENTE PAGE y agregue hasta 1999M06. Haga esto en el WORKFILE original). Para ello, dentro del men de la ventana del modelo VAR seleccionamos PROC/MAKE MODEL.

Veremos entonces una ventana donde se especfica el modelo y en la que podemos introducir los cambios que creamos convenientes. Seleccionamos la opcin SOLVE en el men de esta ltima ventana del modelo y en el cuadro de opciones que aparece a continuacin indicamos el perodo para el que queremos

obtener predicciones (en SOLUTION SAMPLE ponemos 1980:01 1999:06). Automticamente, EViews nos proporcionar predicciones para nuestras dos series (IPC_0 y TIC_0) en el perodo comprendido entre el mes de diciembre de 1998 y junio de 1999. En el cuadro siguiente mostramos los resultados obtenidos donde se aprecia una prediccin prcticamente plana para la serie de precios y una disminucin en la serie TIC.

2. Modelos de Vectores de Correccin del Error (VEC) Resumen En los modelos VAR, as como en la modelizacin univariante de series temporales, asumimos que las series temporales utilizadas son estacionarias. Cuando efectuamos regresiones entre variables no estacionarias podemos caer en el problema de las denominadas regresiones espurias. Ahora bien, modelizaciones entre variables no estacionarias, pero que cumplen ciertas condiciones denominadas de cointegracin, no slo no son espurias, sino que aportan gran informacin sobre las relaciones de equilibrio a largo plazo de las variables econmicas. Pues bien, un modelo de vector de correccin del error (VEC) es un modelo VAR restringido (habitualmente con slo dos variables) que tiene restricciones de cointegracin incluidas en su especificacin, por lo que se disea para ser utilizado con series que no son estacionarias pero de las que se sabe que son cointegradas. El principio detrs de estos modelos es que existe una relacin de equilibrio a largo plazo entre variables econmicas y que, sin embargo, en el corto plazo puede haber desequilibrios. Con los modelos de correccin del error, una proporcin del desequilibrio de un perodo (el error, interpretado como un alejamiento de la senda de equilibrio a largo plazo) es corregido gradualmente a travs de ajustes parciales en el corto plazo. Un ejemplo puede ser til para comprender esta idea. Una de las claves de los modelos VEC es determinar si las series que modelizamos son cointegradas y, si es as, determinar la ecuacin de integracin. Para ello utilizamos el mtodo de Johansen.

Anlisis de Cointegracin Aunque en general la regresin entre series no estacionarias (por ejemplo, dos series I(1)) nos conduzca a correlaciones espurias, existe una situacin especial en el que tal regresin no sera espuria, sino que el estimador MCO sera correcto. Esa situacin especial recibe el nombre de cointegracin. Engle y Granger sealaron que una combinacin lineal de dos o ms series no estacionarias puede ser estacionaria. Si existe una combinacin lineal de series que es estacionaria, I(0), se dice que las series no estacionarias, con raz unitaria, que dan lugar a esa combinacin estn cointegradas. La combinacin lineal estacionaria se denomina ecuacin de cointegracin y puede interpretarse como la relacin de equilibrio a largo plazo entre las distintas variables que conforman la ecuacin por lo cual, en s misma, tiene una alta importancia para el anlisis de los fenmenos econmicos. Por lo tanto, si se verifica que un conjunto de variables son integradas del mismo orden, todas ellas, estn cointegradas, se asegura la existencia de una relacin no espuria entre las mismas que, adems, es estacionaria (es decir, de equilibrio en el sentido estadstico). El concepto de cointegracin es la nocin estadstica equivalente a la idea de equilibrio estable, en el sentido de que cuando existe una relacin de este tipo entre variables econmicas, las desviaciones de la citada relacin no pueden ser fuertes ni crecer ilimitadamente. De esta forma, la cointegracin de las variables de un modelo da validez al mismo a largo plazo. Cuando una serie es no estacionaria o integrada, los valores que toma en un momento del tiempo son, por definicin, la acumulacin de todas las perturbaciones o shocks pasados, a diferencia de las series estacionarias, para las cuales el efecto de las perturbaciones es transitorio. Entonces, el hecho que una combinacin lineal de un conjunto de variables sea estacionaria implica, intuitivamente, que la forma en que estas se mueven en el tiempo es similar. Adems, la relacin de cointegracin actuara como un atractor para el conjunto de variables bajo anlisis, en el sentido de que tiendan a formar un modelo compacto en el transcurso del tiempo. El anlisis de la cointegracin permite, entre otras cosas, detectar si existe la posibilidad de obtener estimaciones correctas, es decir, libres de resultados espurios, de los parmetros que definen las relaciones entre dos o ms series, tanto a corto como a largo plazo. Adems, si existe cointegracin entre las variables de un modelo, este puede analizarse mediante un mecanismo de correccin del error (o modelo de correccin del error VEC) que representa correctamente el comportamiento dinmico de las series y, por lo tanto, constituye una base adecuada para el anlisis emprico cubriendo la faceta del equilibrio sobre todo en el corto plazo. Por otra parte, si un conjunto de variables no estacionarias esta cointegrado, es posible entonces plantear un modelo esttico (de las variables en niveles, sin rezagos) que tenga sentido, sobre todo en el largo plazo. Sin embargo, la distribucin de los estimadores no ser estndar en muchos casos, impidiendo la

realizacin de pruebas de hiptesis y la prediccin. No obstante, la alternativa de los modelos dinmicos no est exenta de problemas, especialmente cuando existe ms de un vector de cointegracin. Por lo tanto, si realmente hay cointegracin entre las variables del modelo, la formulacin inicial esttica del mismo y su estimacin, toman relevancia y se presentan como una opcin muy vlida y digna de tener en cuenta, entre otras cosas porque estara ya libre de correlaciones espurias. En ese caso de cointegracin, podemos distinguir entre una relacin de largo plazo entre variables y la dinmica a corto plazo, es decir, las relaciones entre las desviaciones de la variable explicada respecto de su tendencia a corto plazo y las desviaciones de las variables explicativas respecto de su tendencia a corto plazo. Si este es el caso, una diferenciacin de los datos sera contraproducente, ya que podra ocultar la relacin de largo plazo entre ambas. Los modelos VEC conservan ambas informaciones. Por ejemplo, en Teora Econmica la relacin de equilibrio a largo plazo entre la renta nacional y el consumo agregado es de gran importancia. Se puede asumir que en el corto plazo tal relacin puede verse alterada, pero se confa en una convergencia a largo plazo hacia una relacin estable. Pues bien, es bastante probable que la serie de datos de consumo privado y de renta familiar o ingresos de las familias estn cointegradas. Si no fuese as, se interpretara que a largo plazo el consumo podra oscilar permanentemente sin alcanzar un valor estable de equilibrio. La estimacin de un modelo VEC nos permitir obtener conclusiones sobre la relacin a largo plazo, y las desviaciones en el corto plazo. Qu son las correlaciones espurias? Con este trmino denominamos determinadas estimaciones de modelos que presentan, en principio, buenas validaciones: poseen un alto valor explicativo (R2), valores significativos de los parmetros... pero que encierran relaciones noreales. As ocurre cuando las variables explicativas y explicada de la ecuacin (por ejemplo, de un modelo AR(p)), no son estacionarias, es decir, presentan tendencia. Cuando esto ocurre, el estimador de mnimos cuadrados no es consistente, y los procedimientos de inferencia no son utilizables, puesto que su utilizacin nos puede llevar a conclusiones engaosas, al rechazar la hiptesis de nulidad de un parmetro, cuando en realidad s es nulo, debido a que la distribucin de probabilidad de los estadsticos, en esos casos, no coincide con la habitual que utilizamos. Por tanto, los valores crticos utilizados son inapropiados. Como sabemos, podemos convertir una serie en estacionaria mediante diferenciacin apropiada. Una serie diferenciada estacionaria se denomina integrada y se denota por I(d), donde d es el orden de integracin. El orden de integracin es el nmero de races unitarias que contiene la serie o, de otra forma, el nmero de operaciones de diferenciacin que hay que realizar para que la serie se convierta en estacionaria. Una serie estacionaria ser I(0). De esta forma, una serie no estacionaria es integrada de orden d y se representa como I (d)

cuando puede ser transformada en una serie estacionaria diferencindola d veces. De hecho, segn la definicin de Engle y Granger, una serie es integrada de orden d si admite una representacin ARMA estacionaria e invertible despus de ser diferenciada d veces. Engle y Granger caracterizaron las series I(0) frente a las I(1) como resumimos en el siguiente cuadro:

En la parte A de esta unidad describimos los procedimientos para detectar si una serie es estacionaria con los test de races unitarias: Test de Dickey-Fuller (el test DF y el test ADF: DF aumentado) y Phillips-Perron (test PP). Contraste para la cointegracin Los contrastes ms comunes de cointegracin estn directamente relacionados con los contrastes de races unitarias. Consideremos el modelo Yt = 1 + 2 X t + u t . El anlisis de la cointegracin de X t e Yt (generalizable a ms variables) se realiza mediante los siguientes pasos:

Anlisis del orden de integrabilidad de las series X t e Yt , que ha de coincidir (I(1) habitualmente) Estimacin del modelo Yt = 1 + 2 X t + u t
+ X t = Yt Con los residuos de estimacin del modelo anterior u 1 2 t realizamos un contraste de races unitarias y si estos resultan estacionarios (son I (0)) las series estn cointegradas.

Modelos de correccin por el error VEC El concepto de cointegracin y su relacin con los modelos de correccin del error MCE ha sido introducido por Granger (1981), Granger y Weiss (1982) y Engle y Granger (1987). Esta teora es actualmente relevante en las aplicaciones empricas.

En particular, la equivalencia entre la nocin de cointegracin y la existencia de un modelo de correccin de error para las variables resulta importante por varios motivos. En primer lugar, la cointegracin brinda un sustento estadstico firme y con una interpretacin econmica clara para la formulacin VEC, al relacionarla tanto con la idea de equilibrio estadstico como con los desajustes al mismo en el corto plazo. Adems, la modelizacin conjunta de los efectos de corto y largo plazo permite resolver en algn sentido el debate sobre la utilizacin de variables en niveles y en diferencias. De esta forma, el enfoque de series temporales de BoxJenkins y los modelos economtricos estructurales aparecen como casos particulares de los modelos de correccin del error. Finalmente, el anlisis del orden de integracin de las variables y la existencia de cointegracin entre ellas permite evitar el problema de las regresiones espurias. La teora convencional para el tratamiento estadstico de series temporales se desarrolla bajo el supuesto de que estas son estacionarias. Es posible tambin realizar el anlisis para series estacionarias alrededor de una tendencia temporal determinstica, ya que esta es estimable y se puede depurar la serie de dicho componente. Por el contrario, cuando se trabaja con series no estacionarias, existen dos obstculos principales: los estadsticos de prueba ya no poseen distribuciones estndar, con lo cual la inferencia queda invalidada; mientras que el riesgo de trabajar con regresiones espurias o sin sentido resulta bastante alto. Una de las soluciones de mayor difusin consiste en la diferenciacin de las series, tantas veces como sea necesario para transformarlas en procesos estacionarios. Este procedimiento ha sido criticado, sin embargo, al observarse que implica perdida de informacin de largo plazo que en muchos casos resulta de inters para el investigador. El camino alternativo consiste en la utilizacin de modelos dinmicos, siendo el modelo de correccin de error VEC una de las formulaciones ms populares. La definicin del concepto de cointegracin ha servido, de alguna manera, para dar cohesin a los diversos desarrollos aislados alrededor del tema. Por un lado brind una justificacin terica interesante para diferenciar los modelos estticos con sentido de aquellos que se denominaron espurios. Por otro lado llevo a un primer plano el anlisis del orden de integracin de las series involucradas, destacando la importancia conceptual de distinguir entre tendencias determinsticas y estocsticas y sus aplicaciones para la inferencia estadstica. Finalmente, result una condicin suficiente para sustentar la equivalencia entre distintas formulaciones dinmicas, como queda demostrado en el teorema de representacin de Granger. Si las variables X t e Yt tiene el mismo orden de integracin (I (1)) habitualmente) y estn cointegradas mediante la relacin Yt = 1 + 2 X t + u t entonces el modelo de correccin del error asociado VEC es:
X ) + = + X + t + t Yt = + X t + (Yt 1 1 2 t 1 t t

De este modo, las variaciones de Yt ( Yt ) dependen de las variaciones experimentales en X t a travs de X t y del equilibrio que se produjo en el X , a travs del termino de correccin del error periodo anterior Y
t 1 1 2 t 1

X ). CE= (Yt 1 1 2 t 1

Si la variable Y estaba en el periodo de t-1 por encima de su valor de equilibrio es de esperar que sea negativo. Si la variable Y estaba en el periodo t-1 por debajo de su valor de equilibrio es de esperar que sea positivo. Resumiendo podemos decir que si existe cointegracin entre las variables de un modelo, este puede analizarse mediante un modelo de correccin del error VEC que representa correctamente el comportamiento dinmico de las series del modelo. El modelo de correccin del error expresa el cambio presente en la variable dependiente como una funcin lineal de los cambios en las variables explicativas y del trmino de correccin del error CE. El coeficiente del trmino de correccin del error representa la velocidad de convergencia entre el corto y largo plazo, por lo tanto, una vez ajustado el modelo X ) + , ya se de correccin del error dado por Yt = + X t + (Yt 1 1 2 t 1 t puede medir la fuerza de la validez del modelo Yt = 1 + 2 X t + u t a largo plazo. Esta es la utilidad esencial del modelo de correccin del error asociado a un modelo cointegrado. EJERCICIO 2 CONSUMO DE GASOLINA Se trata de explicar el gasto real de gasolina per cpita Y mediante el precio real de la gasolina X2, el ingreso real disponible per cpita X3 y los litros por kilmetro consumidos X4. Todas las variables vienen dadas en datos trimestrales desde 1959.1 a 1990.4 en logaritmos ajustados estacionalmente (archivo ejercicio2.wf1).

Ser posible realizar un ajuste de este modelo no espurio y valido en el largo plazo? En caso afirmativo ajustar el modelo de correccin del error asociado a la relacin de cointegracin e interpretar los resultados. SOLUCION: para realizar un ajuste modelo valido en el largo plazo (no espurio) ser necesario que exista una relacin de cointegracin entre las variables del modelo. Para ello, en primer lugar, analizaremos la estacionariedad de todas las variables que lo integran Demuestre que las variables Y, X2, X3 y X4 no son estacionarias y s lo son sus primeras diferencias, es decir, son variables I (1). Utilice el test de Philips Perron seleccionando en Unit Root Test como se indica en la siguiente pantalla:

Hemos visto que las cuatro variables del modelo (en logaritmos) son no estacionarias, pero s lo son sus primeras diferencias. Esto indica que las cuatro series son I (1). Por lo tanto, se cumple la primera condicin para que exista una relacin de cointegracin. La siguiente tarea ser comprobar que efectivamente las variables cointegran. Para ello ajustamos el modelo Y = 0 + 1 X 2 + 2 X 3 + 3 X 4 + u y comprobamos si los residuos estimados tienen races unitarias (son estacionarios). Usamos Quick Estimate Equation, escribiendo la ecuacin del modelo a ajustar en el campo Equation Specification de la solapa Specification, eligiendo Least Squares en el campo Method para ajustar por mnimos cuadrados y haciendo clic en aceptar. Se obtiene el modelo ajustado.

Para guardar los residuos estimados (variable RESID) con otro nombre, seleccionamos la variable RESID, elegimos ObjectCopy Selected y en la pantalla Object Copy elegimos RESID01 como variable destino. Al pulsar OK ya tenemos RESID01 como nueva variable copia de RESID.

Para comprobar que los residuos estimados del nuevo ajuste son estacionarios elegimos QuickSeries StatisticsUnit Root Test, rellenamos la pantalla Series Name con la variable RESID01 y al pulsar OK se obtiene la pantalla Unit Root Test en cuyo campo Test Type elegimos Phillips-Perron y en cuyo campo Test For Unit Root in elegimos Level ya que estamos probando la estacionariedad de la serie RESID01 en niveles.

Dado que el test se realiza sobre residuos que provienen de una estimacin previa, no es lcito utilizar la tabla de Phillips Perron. Los autores Engle y Granger calcularon por simulacin valores crticos para este contraste, segn cantidad de variables incluidas en la relacin lineal. Davidson y Mac Kinnon calcularon valores asintticos para este test. Los valores se incluyen en la siguiente tabla:

Valores crticos asintticos para test de cointegracin Estadstico K 1% 5% 10% de contraste -3.90 -3.34 -3.04 c 2 -4.32 -3.78 -3.50 ct -4.29 -3.74 -3.45 c 3 -4.66 -4.12 -3.84 ct -4.64 -4.10 -3.81 c 4 -4.97 -4.43 -4.15 ct -4.96 -4.42 -4.13 c 5 -5.25 -4.72 -4.43 ct -5.25 -4.71 -4.42 c 6 -5.52 -4.98 -4.70 ct K indica el nmero de variables en la ecuacin de cointegracin estimada. La letras c y ct indican si la ecuacin contiene una constante o una constante y una tendencia lnea. Fuente: Davidson y Mac Kinnon, Estimation and Inference in Econometrics, Oxford University Press, 1993.

Los valores marcados en amarillo en la tabla son los correspondientes a utilizar para comparar el valor de la t de student que es de 5.278111. Este valor es superior a los valores crticos de Davidson y Mac Kinnon a cualquier nivel de significacin. Esto significa que el valor t cae en la zona de rechazo de la hiptesis nula y por lo tanto hay que rechazar la hiptesis de raz unitaria, lo que indica presencia de estacionariedad en los residuos del modelo. Llegamos entonces a la conclusin de que las variables del nuevo modelo cointegran y este ya no es espurio. Adems, si aplicamos la prueba de DWRC (Durbin Watson de regresin de cointegracin) tenemos d= 0,74>0,511, con lo que se acepta la cointegracin al 99% de confianza. Este test se basa en el valor del estadstico d de Durbin Watson obtenido al hacer la regresin entre las variables del ejemplo. Los valores crticos calculados por Engle y Granger, para esta prueba, son:
Nivel de Significacin 1% 5% 10% Valores 0.511 0.386 0.322

Finalmente, la relacin de cointegracin estimada es: Y=-1,514535299- 0,138560632 X2 + 0,9985472776 X3 0,518128151 X4 Por otra parte, segn los resultados del ajuste MCO se observa una significatividad individual y conjunta de los parmetros estimados muy alta, as como un coeficiente de determinacin muy bueno (ver modelo estimado ms arriba).

Asociado a esta relacin de cointegracin existir un modelo de correccin del error VEC que tendr la siguiente expresin:
Yt = 0 + 1 X 2 t + 2 X 3t + 3 X 4 t + 4 RESID03t 1 + u t

Ajustamos este modelo utilizando Quick Estimate Ecuation, escribiendo la ecuacin del modelo a ajustar en el campo Equation Specification de la solapa Specification, eligiendo Least Squares en el campo Method para ajustar por mnimos cuadrados y apretando Aceptar. Los resultados son los siguientes:

El ajuste de este modelo de correccin del error asociado a la relacin de cointegracin es el siguiente.
Yt = 1,521427 0,13625X 2 t + 0.999642X 3t 0,517948X 4 t + 0,627359 RESID03t 1

Como 4 = 0,627359 es positivo, la variable Y estaba en el periodo t-1 por debajo de su valor de equilibrio, con lo que empezar a aumentar en el siguiente periodo hasta restaurar el valor de equilibrio. Sabemos que el coeficiente del residuo en el modelo VEC mide la velocidad de convergencia al equilibrio del modelo cointegrado en el largo plazo. Por lo tanto 4 =0,62 indica que la velocidad de convergencia al equilibrio del modelo cointegrado en el largo plazo es bastante aceptable. La estabilizacin de nuestro modelo en el tiempo es bastante rpida. La variable Y se ajusta rpidamente a los cambios a corto plazo experimentados en X2, X3 y X4.

3. Modelos Autorregresivos Condicionales Heteroscedsticos (ARCH). Resumen En la modelizacin economtrica tradicional, tanto estructural como ARIMA, es habitual imponer el supuesto de homoscedasticidad, es decir, de constancia de la varianza. El anlisis del cumplimiento o no de este supuesto se realizaba, hasta no hace mucho, con la nica finalidad de obtener estimaciones estticas de dichas varianzas e incorporarlas como un elemento de ponderacin de las estimaciones habituales en la bsqueda de buenas propiedades estadsticas de los estimadores. La modelizacin ARCH, por el contrario, plantea una estrategia de modelizacin dinmica de la propia varianza. En determinadas situaciones econmicas se desea predecir las varianzas condicionales, es decir, determinar su patrn de comportamiento estadstico. As ocurre al analizar los mercados financieros. Tan importante es la prediccin del valor medio como de la volatilidad. El grado de dispersin de la serie (varianza) puede ser utilizado como un indicador del riesgo en el mercado. El planteamiento bsico reside en modelizar la varianza de una variable dependiente en funcin de los valores pasados de la propia variable y de las variables independientes o exgenas que se incluyan en el modelo. As, Un proceso ARCH (q) simple viene definido por dos expresiones: en la primera se modeliza la esperanza condicionada en funcin de la varianza y de un trmino de error; en la segunda ecuacin es la varianza condicionada la que es modelizada en funcin de sus valores pasados. En resumen:

donde se asumen las siguientes restricciones: a. El trmino de error, psilon, es un proceso idnticamente distribuido con media cero y desviacin tpica igual a uno. b. El parmetro omega es mayor de cero y los parmetros alpha (para i=1,...q) son mayores o iguales a cero. Adems, para cumplirse la condicin de estacionariedad en media, la suma de todos los parmetros es menor que la unidad. c. Si psilon es un proceso gaussiano y se distribuye segn una normal, entonces es condicionalmente normal y su varianza depende del momento del tiempo. Los llamados modelos GARCH (Generalized ARCH) adoptan un esquema ms general de comportamiento, en el que la varianza es funcin de los retardos de los residuos al cuadrado y de la varianza en perodos anteriores. Una vez especificado el modelo, es necesario testar la presencia de factores de varianza condicional autorregresiva. Entre las distintas posibilidades, la ms utilizada la constituye los contrastes basados en el multiplicador de Lagrange, bien con el test F de nulidad de los parmetros, o bien con el Test N*R2 (test LM). Si se determina la presencia de factores heterocedsticos condicionales, entonces es procedente pasar a la estimacin del modelo

GARCH (p,q) ms adecuado, y ello se realiza mediante un proceso recursivo de estimacin mximo verosmil. A partir de estas formulaciones generales, se han desarrollado extensiones metodolgicas que se adaptan a una casustica extensa. Los modelos ARCH tampoco estn exentos de crticas. Resumimos algunas de ellas.

Heterocedasticidad En Econometra bsica se expuso el problema de la heterocedasticidad y se mostr cmo las correcciones para las perturbaciones del error heterocedstico pueden conducir a estimaciones de parmetros ms eficientes. Aqu nos enfocaremos en gran medida a situaciones en que la varianza del trmino del error vara en forma directa con una o ms variables independientes. Por ejemplo, en la siguiente ecuacin de regresin:

Yt = 1 + 2 X 2t + 3 X 3t + t
2 La varianza de t puede ser proporcional a X 2 t . En este caso podramos usar un procedimiento de mnimos cuadrados ponderados en que dividimos las variables de la izquierda y la derecha entre X 2t y luego estimamos la ecuacin de regresin transformada:

Yt X 1 = 1 + 2 + 3 3t + t* X 2t X 2t X 2t
con mnimos cuadrados ordinarios. El trmino del error transformado t* = t / x2t es homocedstico y, por tanto, los mnimos cuadrados ordinarios producirn estimaciones de parmetro eficientes. En algunas aplicaciones puede haber razones para creer que la varianza del trmino del error no es una funcin de una variable independiente sino que vara con el tiempo de tal forma que depende de lo grande que fueron los errores en el pasado. Como ejemplos de esto se incluyen los modelos de inflacin, tasas de inters y rendimientos en el mercado de valores. Con frecuencia en estas aplicaciones hay evidencia de un agrupamiento de errores grandes y pequeos. En el modelo de tasas de inters, por ejemplo, es probable que se encuentren perodos de volatilidad alta (y errores grandes) seguidos por perodos de volatilidad baja (y errores menores). En otras palabras, hay una clase particular de heterocedasticidad presente en la que la varianza del error de regresin depende de la volatilidad de los errores en el pasado reciente. Un modelo que se usa en forma extensa para esa forma de heterocedasticidad fue elaborado por Robert Engle, qu sugiri que el uso de un modelo de heterocedasticidad condicional autorregresiva (ARCH) conducira a un incremento de la eficiencia. El modelo funciona de la siguiente manera: Comenzaremos con una primera ecuacin

Yt = 1 + 2 X 2t + 3 X 3t + t
que relaciona una variable dependiente con dos variables independientes.

Luego escribiremos una segunda ecuacin relacionando la varianza del trmino del error con la cantidad de volatilidad observada en perodos recientes. La ms reciente de estas ecuaciones sera,

t2 = 0 + 1 t21
Especifica que la varianza de t , t2 tiene dos componentes, una constante y las noticias respecto a la volatilidad del ltimo perodo lo cual es modelado como el residual cuadrado del ltimo perodo (el trmino ARCH). Obsrvese que en este modelo t es heterocedstico, condicional en t 1 . Tomando en cuenta esta informacin acerca de la heterocedasticidad condicional de t , se puede obtener estimaciones ms eficientes de los parmetros 1 2 y

3 .
La estimacin de estas dos ecuaciones con frecuencia se hace con mxima verosimilitud. Dado el bajo costo del poder de clculo, esto no es muy difcil. Por consiguiente, los paquetes de programas de econometra, como EViews, hacen posible estimar modelos de ARCH de esta clase con mucha facilidad. Dado que la varianza de t en la segunda ecuacin solo depende de la volatilidad del ltimo perodo, nos referiremos a este modelo como ARCH (1). De manera ms general, la varianza podra depender de cualquier cantidad de volatilidades rezagadas. Escribiremos el modelo ARCH (p) como:

t2 = 0 + 1 t21 + 2 t2 2 + L + p t2 p
Ntese que en este caso los parmetros p + 1 del proceso de varianza deben estimarse junto con los parmetros 1 2 y 3 de la regresin, una vez ms usando estimacin de mxima verosimilitud. A menudo hay razn para esperar que la varianza de t depender de volatilidades pasadas que se remontan a una gran cantidad de periodos (esto sucede en particular en aplicaciones de finanzas que implican el uso de datos diarios o semanales). El problema en este caso es queda deben estimarse una gran cantidad de parmetros, y esto puede ser difcil de hacer con alguna precisin. Sin embargo, si reconocemos que la ecuacin correspondiente al ARCH(p) tan solo es un modelo de rezago distribuido para t2 , vemos que podemos reemplazar muchos de estos valores rezagados de t2 con slo uno o dos valores rezagados de t2 . Esto nos conduce al modelo heterocedstico condicional autorregresivo generalizado (GARCH), el cual tambin puede estimarse por mxima verosimilitud. El modelo GARCH ms simple es el GARCH (1,1):

 t2 = 0 + 1 t21 + 1 t21
Ahora la varianza del trmino del error tiene tres componentes: una constante, la volatilidad del ltimo periodo (el trmino ARCH) y la varianza del ltimo periodo (el trmino GARCH). En el modelo de rezago distribuido geomtrico (que se tratar en el prximo captulo), mientras 1 sea menor que 1, podemos escribir la ecuacin del GARCH (1,1) como:

=
2 t

0 1 1

+ 1 1j 1 t2 j
j =1

En otras palabras, la varianza de hoy depende de todas las volatilidades pasadas, pero con ponderaciones que declinan en forma geomtrica. En general, se puede tener cualquier nmero de trminos ARCH y de trminos GARCH. El modelo GARCH (p, q) se refiere a la siguiente ecuacin para t2

t2 = 0 + 1 t21 + L + p t2 p + 1 t21 + L + q t2 q
Por ltimo, esta ecuacin puede generalizarse an ms incluyendo una o ms variables exgenas o predeterminadas como determinantes adicionales de la fuera una variable exgena, podramos varianza del error. Por ejemplo, si incluirla como parte del siguiente modelo GARCH (1,1)

t2 = 0 + 1 t21 + 1 t21 + 1 X 3t
Sin embargo, la adicin de variables exgenas o predeterminadas a la ecuacin toma valores negativos, esto puede para t2 debe hacerse con cuidado. Si causar que la varianza sea negativa para algunas observaciones. Del mismo modo como se puede introducir variables exgenas o predeterminadas en el lado derecho de la ecuacin que describe t2 , podemos incluir t2 en el lado derecho de la ecuacin de regresin. Por ejemplo, se puede hacer esto si el propsito de la regresin es explicar los rendimientos de acciones financieras como valores o bonos. La razn para esto es que uno esperara que el rendimiento sobre una accin financiera fuera proporcional al riesgo de la accin. Se puede modelar el rendimiento nominal de un ndice de valores, como el ndice Standard & Poor's 500 (S&P 500), que denominaremos RETURN t , como dependiente de un trmino constante, la tasa de inflacin y la varianza condicional:

RETURNt = 1 + 2 INFt + 3 t2 + t
Entonces, se puede describir la varianza t2 como un proceso GARCH (p, q). Un modelo de ste tipo (en el que el riesgo esperado es sustituido por la varianza condicional). Se llama modelo ARCH-M (ARCH en MEDIA).

Otra variante son los modelos TARCH (Treshold ARCH) y EGARCH (Exponential GARCH). La aplicacin ms extendida de los modelos GARCH y ARCH se centra en los datos del mercado financiero. En el caso de los mercados burstiles, se observa con frecuencia que los movimientos a la baja del mercado son, generalmente, ms voltiles que los movimientos al alza que le siguen. Para modelizar este fenmeno contamos con las variantes de los modelos ARCH Y GARCH conocidas como TARCH y EGARCH. El modelo TARCH se especifica, para la varianza condicional como:

t2 = 0 + 1 t21 + 1 t21 + 1 t21d t 1

Donde d t =1 si t < 0, y en caso contrario 0, con lo que la variable ficticia creada determina, precisamente, este componente asimtrico en las innovaciones positivas y negativas. En este modelo, buenas expectativas ( < 0), y malas expectativas ( > 0), tienen un efecto diferencial sobre la varianza condicional, pues las expectativas favorables tienen un impacto sobre , mientras que las malas noticias tienen un impacto sobre + . Si > 0 se dice que existe el efecto influencia, mientras que si 0, el impacto de las expectativas es asimtrico. En el modelo EGARCH la especificacin para la varianza condicional es:

Es decir, se expresa el logaritmo de la varianza condicional, que implica que el efecto influencia es exponencial, en vez de cuadrtico, y se garantiza que las estimaciones de la varianza condicional no sean negativas. La presencia del efecto influencia puede ser analizada bajo la hiptesis < 0, mientras que el impacto ser asimtrico si 0.

Ejercicio 3. Tasas de inters a largo plazo En este ejemplo modelamos el comportamiento de la tasa del bono corporativo RAAA relacionndola con valores actuales y pasados de una tasa de inters libre de riesgo a corto plazo (tasa de bono de tesorera a 3 meses R3) al igual que el ndice de produccin industrial IP y la tasa de inflacin de precios al mayoreo PW.

La figura anterior muestra la tasa del bono corporativo RAAA y la tasa de bonos de tesorera a tres meses desde 1960 hasta principios de 1996, R3. Obsrvese que la tasa del bono, por lo general, es mayor que la tasa de bonos de tesorera y tambin tiende a suavizar las fluctuaciones a corto plazo en la tasa de bonos de tesorera. La tasa del bono refleja expectativas de valores futuros de la tasa de bonos de tesorera (y por lo tanto debera ser menos voltil que esa tasa) y tambin incluye una pequea prima de riesgo que refleja la probabilidad de incumplimiento. Ejecutaremos la regresin de la tasa del bono (RAAA) contra valores actuales y rezagados de la tasa de tesorera (R3), valores actuales y rezagados del ndice de produccin industrial (IP), la tasa de crecimiento del ndice de precios al productor y el valor rezagado de la para todas las mercaderas tasa del bono RAAA. Despus de algunos ensayos se eligi la siguiente ecuacin, estimada por MCO

La figura a continuacin muestra los residuales de sta regresin. Obsrvese el Agrupamiento de la volatilidad, hay perodos extendidos en los que la volatilidad es bastante baja (por ejemplo, de 1962 a 1967) y perodos en los que la volatilidad es bastante alta (por ejemplo, de 1980 a 1988). Esto sugiere que el trmino del error es condicionalmente heterocedstico y, por lo tanto, puede ser representado por un modelo de ARCH o GARCH.

Para explorar sta posibilidad, se reestim la ecuacin usando un modelo GARCH (1.1) simple para representar la varianza del trmino del error. Los resultados se muestran a continuacin:

Obsrvese que para estimar este modelo se utiliz Quick/Estimate Equation y en method se seleccion ARCH, luego se hizo click en aceptar y los resultados son los mostrados en la salida del EViews anterior. En donde nos muestra el modelo GARCH(1,1), bajo el ttulo Variance Equation, que podramos escribirlo de la siguiente manera:

t2 = .00000011+ 0.2103 t21 + 0.8139 t21

Al incluir esta representacin GARCH de la varianza del error tuvo muy poco impacto en cualquiera de las estimaciones de coeficientes. Ntese tambin que el error estndar de la regresin se ha incrementado. Esto no significa que el modelo no explique tambin la tasa de inters. Tan solo refleja el hecho de que cuando se estima una regresin con errores heterocedsticos con MCO, los errores estndares estimados sern sesgados. Para explorar el patrn de heterocedasticidad ms a fondo, agregamos una variable exgena a la ecuacin GARCH. Retuvimos la estructura GARCH(1.1) pero tambin incluimos en esta ecuacin el cambio en el valor rezagado de la tasa de bonos de tesorera a tres meses. Para incluir DR3(-1) generamos en el Workfile la variable DR3=R3-R3(-1); luego incluimos esta variable en forma rezagada un perodo: DR3(-1). Los resultados de estimar este modelo fueron los siguientes:

El cambio rezagado en la tasa de bonos de tesorera a tres meses, se aade, significativamente, a la explicacin de los cambios en la varianza del trmino de error de la regresin. Los trminos de ARCH y GARCH son ahora significativos individualmente. Algunas debilidades de los modelos ARCH Aunque sin duda los modelos ARCH suponen un paso adelante en la modelizacin economtrica adolecen, tambin, de ciertas restricciones o debilidades, algunas superadas por las extensiones metodolgicas analizadas anteriormente. Sintetizamos las mismas siguiendo a R. Tsay (2001): 1) El modelo trata de la misma manera los cambios positivos y negativos, puesto que depende de los cuadrados de los cambios previos. En la prctica es suficientemente conocido que para series temporales financieras los precios responden de diferente forma a cambios positivos o negativos. 2) El modelo ARCH es demasiado restrictivo. Por ejemplo, para el modelo ARCH(1) el parmetro alfa 1, tiene que estar entre [0,1/3] si la serie tiene que tener un cuarto momento finito. La restriccin es incluso ms fuerte para modelos ARCH de orden superior. 3) El Modelo ARCH no provee nada nuevo para la comprensin de las series temporales financieras. Solamente aportan una manera mecnica para describir el comportamiento de la varianza condicional, pero no dice nada sobre las causas de que tal comportamiento ocurra. 4) Los modelos ARCH a menudo sobre-predicen la volatilidad, porque responden lentamente a grandes shocks aislados que cambian la serie.

Actividades

1. Una visin de conjunto Como ha comprobado a lo largo de estas dos unidades, es amplia la variedad de tcnicas de prediccin, su dificultad metodolgica, y la casustica a la que se aplica. Le sugerimos realizar una actividad consistente en la comparacin de las distintas tcnicas a efectos de prediccin. Seleccione un tema que sea de su inters, y del que pueda disponer de estadsticas, pero no utilice las ms recientes. stas le servirn para comparar la prediccin con los datos reales. Justamente se trata de aplicar varias de las tcnicas vistas a lo largo de estos captulos para realizar una comparacin de las predicciones obtenidas con cada una de ellas y los datos reales. De tal comparacin podra establecer una relacin entre la eficacia de la tcnica y los costos de la misma. Aplicado a su campo, cul de ellas arroja mejores resultados a efectos de prediccin? 2. Autoevaluacin: Test y preguntas breves.

Marque la casilla de la respuesta que considere correcta: 1) A qu puede obedecer la expresin:

a) Modelo estructural de 2 ecuaciones y 2 incgnitas. b) Modelo VARMA (1,1). c) Un modelo VEC de 2 ecuaciones. d) Modelo GARCH (1,1). 2) Qu puede provocar una correlacin espuria? a) Una regresin con series no estacionarias. b) Una regresin con alta autocorrelacin. c) Una regresin entre variables que no tiene relaciones de causalidad. d) Una regresin entre dos variables equivalentes. 3) Seale la respuesta CORRECTA en relacin con los aspectos que distinguen un modelo VAR de un modelo estructural. a) Al contrario que el VAR, el modelo estructural es multiecuacional. b) Al contrario que los estructurales, los modelos VAR predicen ms de una variable. c) Al contrario que los VAR, en los modelos estructurales las variables endgenas no pueden ser explicadas por sus propios retardos.

d) Al contrario que los estructurales, en los modelos VAR todas las variables explicadas retardadas actan como explicativas. 4) Cul de las siguientes afirmaciones es cierta sobre la ecuacin de cointegracin? a) Es la combinacin lineal que convierte en estacionarias varias series integradas de orden uno. b) Muestra la relacin de equilibrio a largo plazo entre las variables que la forman. c) Contiene informacin sobre series estacionarias. d) Muestra el error cometido entre la prediccin a corto y a largo. 5) Cul de los siguientes elementos diferencia a un modelo GARCH de un ARCH? a) Al contrario que el ARCH, el GARCH incorpora en la explicacin de la varianza a los valores rezagados de la propia varianza. b) Al contrario que el ARCH, los modelos GARCH permiten incorporar las asimetras positivas y negativas en las innovaciones. c) Al contrario que el ARCH, los modelos GARCH permiten que el efecto de la innovacin sea exponencial. d) Al contrario que el ARCH, los modelos GARCH permiten comprender las relaciones tericas subyacentes a los modelos financieros. 6) La funcin impulso-respuesta muestra... a) La variacin global de las variables explicadas ante cambios de las variables explicativas. b) La variacin relativa de la variable explicada ante un cambio en la misma variable rezagada. c) La variacin de las explicadas ante cambios en los errores. d) La variacin del error de prediccin al aumentar el nmero de retardos de las explicativas. 7) Cul de las siguientes circunstancias es un problema en la estimacin de modelos estructurales? a) Se estiman varias ecuaciones. b) Se incluyen identidades entre las ecuaciones. c) Se necesita distinguir entre variables endgenas y predeterminadas. d) Existen relaciones de simultaneidad entre las ecuaciones. 8) Cul es el elemento diferenciador de un modelo ARCH? a) Son modelos multiecuacionales. b) Tiene en cuenta la heteroscedasticidad de la varianza.

c) Modeliza la propia varianza. d) Utiliza valores retardados de la varianza como variables explicativas. 9) Cul de las siguientes variables no formara parte como explicativa de un modelo VAR? a) Variables explicadas contemporneas. b) Variables explicadas rezagadas. c) Variables explicativas adicionales contemporneas. d) Trminos independientes. 10) En los modelos de correccin del error... a) El error cometido en la prediccin se incorpora para la prediccin a largo plazo. b) Se busca un estimador que minimice el error cometido en la prediccin. c) Se selecciona el modelo VAR restringido que minimice el error de prediccin. d) Una proporcin del distanciamiento de la relacin a largo plazo se corrige en el corto plazo.