Clase 26 de mayo.

MODELO VEC

100

200

Domestic

40
20

Transnational

300

60

400

La necesidad de estimar un modelo VEC proviene de la posibilidad de que las series estn
cointegradas; es decir, las series siendo no estacionarias en niveles, se convierten en estacionarias
diferencindolas la misma cantidad de veces, guardando una relacin de equilibrio de largo plazo.
En este documento, seguiremos los pasos necesarios para la identificacin, estimacin, diagnstico
y prediccin usando un modelo VEC de dos variables.

1980q1

1990q1

2000q1

2010q1

q
Transnational

Domestic

En las clases anteriores, habamos visto que para ambas series se aceptaba la hiptesis nula de no
estacionariedad de las series en la grfica. En tal sentido, cabe la posibilidad de que exista un
mecanismo de equilibrio de largo plazo que implica que los choques sufridos por el nivel de
terrorismo domstico tengan un impacto sobre el nivel de terrorismo trasnacional.
En tal sentido, siguiendo el anlisis VAR realizado anteriormente, se tiene evidencia de que el nivel
de terrorismo domstico permite pronosticar el nivel de terrorismo trasnacional. En otras palabras,
que el terrorismo domstico causa en el sentido de Granger al terrorismo trasnacional. En el
contexto del anlisis VEC, primeramente puede explorarse si existe una combinacin lineal de las
variables que s sea estacionaria. Lo que corroborara la hiptesis de que las series se encuentran
cointegradas. Para esto, se estima la regresin:
= 0 + 1 +
Y la combinacin lineal que posiblemente es estacionaria estara dada por los errores del modelo:

 = 0 1

. reg T D
Source

SS

df

MS

Model
Residual

5441.55885
18539.7482

1
125

5441.55885
148.317986

Total

23981.3071

126

190.327834

Transnatio~l

Coef.

Domestic
_cons

.0875831
11.03387

Std. Err.
.0144596
2.612533

t
6.06
4.22

Number of obs
F( 1,
125)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

127
36.69
0.0000
0.2269
0.2207
12.179

P>|t|

[95% Conf. Interval]

0.000
0.000

.0589658
5.863338

.1162004
16.20439

Esta regresin mide la relacin de equilibrio de largo plazo entre las variables. La metodologa EngelGranger consiste en examinar la estacionariedad del residuo de esta regresin. Usando la prueba
ADF, se puede rechazar la hiptesis nula de no estacionariedad al 1% de nivel de significancia. La
dinmica de corto plazo entonces queda caracterizada como:
= 0,271 0,4161

. predict u,residuals
. dfuller u, noconstant regress lags(1)
Augmented Dickey-Fuller test for unit root

Z(t)

Test
Statistic

1% Critical
Value

-3.395

-2.597

D.u

Coef.

u
L1.
LD.

-.2702742
-.4155976

Std. Err.

.0795999
.0830036

Number of obs

125

Interpolated Dickey-Fuller
5% Critical
10% Critical
Value
Value
-1.950

-3.40
-5.01

P>|t|

0.001
0.000

-1.612

[95% Conf. Interval]

-.4278372
-.5798982

-.1127111
-.2512971

Una vez establecida la evidencia de que las series se encuentran cointegradas, se procede a realizar
la prueba de Johansen, la prueba del mximo valor propio y el criterio de informacin de Akaike
para escoger el nmero de ecuaciones de cointegracin. Antes de ello debemos establecer cul es
el nmero ptimo de rezagos que deben incluirse en el modelo VAR subyacente que en este caso
son 3. Segn los tres criterios, establecen que existen, al menos, una ecuacin de cointegracin
entre las variables.

. vecrank D T, trend(none) lags(3) max ic levela

Johansen tests for cointegration
Trend: none
Number of obs =
Sample: 1980q1 - 2010q4
Lags =
maximum
rank
0
1
2

parms
8
11
12

LL
-1101.8706
-1093.379
-1093.0344

eigenvalue

maximum
rank
0
1
2

parms
8
11
12

LL
-1101.8706
-1093.379
-1093.0344

eigenvalue

maximum
rank
0
1
2

parms
8
11
12

LL
-1101.8706
-1093.379
-1093.0344

eigenvalue

0.12800
0.00554

0.12800
0.00554

0.12800
0.00554

124
3

trace
5% critical
statistic
value
17.6725
12.53
0.6892*1*5
3.84

1% critical
value
16.31
6.51

max
statistic
16.9832
0.6892

1% critical
value
15.69
6.51

SBIC
18.08309
18.06275*
18.09607

5% critical
value
11.44
3.84

HQIC
17.97505
17.9142*
17.93401

AIC
17.90114
17.81256
17.82314

Al estimar el modelo VEC se obtiene un modelo VAR restringido 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. Como resultado de inters se
tiene que el coeficiente de correccin del error de la ecuacin del terrorismo domstico no es
significativo. Esto corrobora el resultado del modelo VAR no restringido (prueba de causalidad de
Granger) de que el terrorismo trasnacional responde a los choques en el terrorismo domstico, pero
no al contrario.

. vec T D, trend(rconstant) lags(3)

Vector error-correction model
Sample:

1980q1 - 2010q4

Log likelihood =
Det(Sigma_ml) =
Equation

No. of obs
AIC
HQIC
SBIC

-1092.9
155075.9
Parms

D_Transnational
D_Domestic

RMSE

5
5

8.52223
49.1303

Coef.

=
=
=
=

R-sq

chi2

P>chi2

0.3920
0.2066

76.06415
30.73545

0.0000
0.0000

Std. Err.

P>|z|

124
17.82097
17.93184
18.0939

[95% Conf. Interval]

D_Transnational
_ce1
L1.

-.2451349

.0633967

-3.87

0.000

-.3693901

-.1208796

Transnational
LD.
L2D.

-.4613363
-.0831906

.0920154
.0848481

-5.01
-0.98

0.000
0.327

-.6416832
-.2494897

-.2809893
.0831086

Domestic
LD.
L2D.

-.0177704
-.0333651

.0176783
.0160749

-1.01
-2.08

0.315
0.038

-.0524193
-.0648714

.0168785
-.0018588

_ce1
L1.

.3812969

.3654795

1.04

0.297

-.3350298

1.097624

Transnational
LD.
L2D.

.3660111
.8263891

.5304653
.4891457

0.69
1.69

0.490
0.091

-.6736818
-.1323188

1.405704
1.785097

Domestic
LD.
L2D.

-.3576211
-.2686996

.1019148
.0926713

-3.51
-2.90

0.000
0.004

-.5573704
-.4503321

-.1578717
-.0870672

D_Domestic

Cointegrating equations
Equation

Parms

_ce1

Identification:

chi2

P>chi2

24.05409

0.0000

beta is exactly identified

Johansen normalization restriction imposed

beta

Coef.

_ce1
Transnational
Domestic
_cons

1
-.2073067
9.977026

Std. Err.

.
.0422687
7.514892

.
-4.90
1.33

P>|z|

.
0.000
0.184

[95% Conf. Interval]

.
-.2901519
-4.751891

.
-.1244616
24.70594

Con el fin de diagnosticar el modelo se hacen dos pruebas; la primera consiste en verificar la
hiptesis nula de no autocorrelacin de los residuos y la segunda verifica que el modelo sea estable,
encontrndose no autocorrelacin y estabilidad.

. veclmar, mlag(8)
Lagrange-multiplier test
lag

chi2

df

1
2
3
4
5
6
7
8

8.5213
10.3149
5.8201
1.4113
3.2284
1.0197
4.3122
0.8289

4
4
4
4
4
4
4
4

Prob > chi2

0.07424
0.03545
0.21299
0.84223
0.52036
0.90680
0.36541
0.93453

H0: no autocorrelation at lag order

. vecstable, graph
Eigenvalue stability condition
Eigenvalue
1
.8345059
-.4000999
-.4000999
-.08872182
-.08872182

+
+
-

.3220413i
.3220413i
.4678943i
.4678943i

Modulus
1
.834506
.513605
.513605
.476232
.476232

The VECM specification imposes a unit modulus.

Para interpretar la dinmica del modelo se presentan las funciones de impulso respuesta:

irf, Domestic, Domestic

irf, Domestic, Transnational

irf, Transnational, Domestic

irf, Transnational, Transnational

.5

.5

0
0

10

step
Graphs by irfname, impulse variable, and response variable

10