Ataurima-Arellano M. (2016ii) - 010. Autoregresiones Vectoriales

FACULTAD DE CIENCIAS ECONMICAS
ECONOMETRA DE SERIES DE TIEMPO
TEMA 10:
Autoregresiones Vectoriales
Miguel Ataurima Arellano1

miguel.ataurima@pucp.edu.pe
mataurimaa@uni.edu.pe
mataurima@mef.gob.pe
1
MINISTERIO DE ECONOMA Y FINANZAS
Direccin General de Polticas Macroeconmicas
Direccin de Investigacin
2016-II
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS ECONOMETRA DE SERIES DE TIEMPO
Facultad de Ciencias Econmicas INDICE Autoregresiones Vectoriales
ndice
1. Introduccin 3
1.1. Estacionariedad en Covarianza de un VAR(p) . . . . . . . . . . . . . . . . . . . . . . . 9
1.2. Reescritura de un VAR(p) en un VAR(1) . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3. Condiciones de estacionariedad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4. La Representacin MA() . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4.1. Otra forma de clculo de las matrices MA . . . . . . . . . . . . . . . . . . . . . 15
1.4.2. Representacin MA con innovaciones distintas a la fundamental . . . . . . . . . 16
2. Autocovarianzas y resultados de convergencia 18

2.1. Matriz de Autocovarianzas j- sima . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.2. El proceso vectorial MA() . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3. Autoregresin Vectorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.3.1. El operador vec . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.3.2. El producto de Kronecker . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.4. Funcin de Log Verosimilitud . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.5. La Funcin de Respuesta al Impulso . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3. Referencias 29
Miguel Ataurima Arellano 2 mataurima@mef.gob.pe

1. Introduccin
Advertencia: Se utilizarn minsculas para denotar ya sea a una variable aleatoria o a su realizacin.
Se busca describir las interacciones dinmicas entre un conjunto de n variables recolectadas en

un vector yt
y1t
y2t

..
yt =
(n1) .
ynt
esto es
t= 1 2 t T
{y1t }Tt=1 = { y11 y12 y1t y1T }
{y2t }Tt=1 = { y21 y22 y2t y2T }
.. .. .. .. ..
. . . . .
{ynt }Tt=1 = { yn1 yn2 ynt ynT }

Una Autoregresin Vectorial de orden p, denotado como VAR(p), es una generalizacin (versin
multivariada) de un AR(p):
yt = c + 1 yt1 + 2 yt2 + + p ytp + t
donde:
c es el vector de constantes
(n1)
j es la matriz de coeficientes autoregresivos para j = 1, 2, . . . , p
(nn)
es una generalizacin vectorial del ruido blanco
(n1)
E [t ] = 0
(
para t =
Cov [t , ] = E t 0

=
0 en otro caso
siendo = Var [t ] una matriz simtrica definida positiva.

(nn)

EJEMPLO: Un VAR(2) con n = 2
yt = c + 1 yt1 + 2 yt2 + t
(n1) (n1) (nn)(n1) (nn)(n1) (n1)
Expandiendo
(1) (1) (2) (2)

" # " # " #" # " #" # " #
y1t c1 11 12 y1,t1 11 12 y1,t2 1t
= + (1) (1) + (2) (2) +
y2t c2 21 22 y2,t1 21 22 y2,t2 2t
Escribiendo en forma desarrollada obtenemos un sistema de ecuaciones en diferencia
Para la variable y1
(1) (1) (2) (2)
y1t = c1 + 11 y1,t1 + 12 y2,t1 + 11 y1,t2 + 12 y2,t2 + 1t
Para la variable y2
(1) (1) (2) (2)
y2t = c2 + 21 y1,t1 + 22 y2,t1 + 21 y1,t2 + 22 y2,t2 + 2t
Cada variable es regresionada sobre una constante, p = 2 propios rezagos, y sobre los p = 2
rezagos de las dems variables.

En general para un VAR(p) con n > 1 tenemos que la fila i-sima del sistema vectorial especifica
que
(1) (1) (p) (p)
yit = ci + i1 y1,t1 + + in yn,t1 + + i1 y1,tp + + in yn,tp
La variable yit es regresionada sobre :
una constante ci ,
p propios rezagos y
p rezagos de las dems variables.
Utilizando la notacin en operador de rezagos, la ecuacin
yt = c + 1 yt1 + 2 yt2 + + p ytp + t
puede ser escrita como
(L) yt = c + t
donde
(L) = In 1 L 2 L2 p Lp
esto es, (L) es un polinomio matriz de (n n) en el operador L.
El elemento de la fila i, columna j de (L) es un polinomio escalar en L:
(1) (2) (p)
ij (L) = ij ij L ij L2 ij Lp
(
1 si i = j
donde ij = .
0 si i =
6 j

EJEMPLO: Para un VAR(2) con n = 2
yt = c + 1 yt1 + 2 yt2 + t
(n1) (n1) (nn)(n1) (nn)(n1) (n1)
tenemos que
(1) (1) (2) (2)
" # " # " #
2 1 0 11 12 11 12
(L) = In 1 L 2 L = (1) (1) L (2) (2) L2
0 1 21 22 21 22
esto es (1) (2) (1) (2)

" # 1 11 L 11 L2 12 L 12 L2
11 (L) 12 (L)
=

21 (L) 22 (L)

(1) (2) (1) (2)
21 L 21 L2 1 22 L 22 L2
o sea
(1) (2)
11 (L) = 1 11 L 11 L2
(1) (2)
12 (L) = 12 L 12 L2
(1) (2)
21 (L) = 21 L 21 L2
(1) (2)
22 (L) = 1 22 L 22 L2

Advertencia:
Los datos de series de tiempo se encuentran, por lo general, dispuestos en vectores columnas.
Por ejemplo, cuando se descargan series de las bases de datos dispuestas en internet del BCRP
Cuando se cargan estas series en MATLAB, se cargan como vectores columnas.
Por ejemplo, si se descargaron 3 series, estas estaran dispuestas en MATLAB como una matriz
Y con 3 vectores columna, respectivamente

y11 y12 y13
y21 y22 y23
.. .. ..

. . .
Y=

yt1 yt2 yt3

.. .. ..

. . .
yT 1 yT 2 yT 3
de manera que la representacin en los modelos economtricos de estas 3 variables dispuestas en
el vector columna yt equivale a la fila tsima de la matriz Y almacenada en el workspace de
MATLAB que alberga a las tres series

y1t h i0
yt = y2t = yt1 yt2 yt3 Y (t, :)0

(31) y3t | {z }
| {z } MATLAB
Modelo Economtrico
Observe tambin que la indexacin se encuentra invertida.

1.1. Estacionariedad en Covarianza de un VAR(p)

Se dice queun proceso vectorial yt es estacionario en covarianza si su primer y segundo momento,
E [yt ] y E yt yt1 respectivamente, son independientes del tiempo t.
0

Si el proceso proceso VAR(p)
yt = c + 1 yt1 + 2 yt2 + + p ytp + t
es estacionario en covarianza:
Podemos tomar esperanza a ambos lados de la ecuacin vectorial que define al
E [yt ] = E [c + 1 yt1 + 2 yt2 + + p ytp + t ]

= c + 1 + 2 + + p
pasando los trminos que contienen a del lado derecho al lado izquierdo:
1 2 p = c
[In 1 2 p ] = c
tenemos que:
= [In 1 2 p ]1 c
Podemos escribirlo en desviaciones de su media
yt = 1 (yt1 ) + 2 (yt2 ) + + p (ytp ) + t

1.2. Reescritura de un VAR(p) en un VAR(1)

Es til escribir el proceso VAR(p):
yt = 1 (yt1 ) + 2 (yt2 ) + + p (ytp ) + t
en terminos del siguiente proceso VAR(1):
t = F t1 + vt
donde

1 2 3 p1 p
yt t
In 0 0 0 0

yt1
0

0 In 0 0 0 vt = .

t = .. F = .

(np1)

.
(npnp)

.. .. .. .. ..

.

. . . . .

ytp+1

0
0 0 0 In 0
con
0 0
(
Q para t =

0 0 0
vt vt0

.. .. . . ..

E = Q =
en otro caso

0 (npnp)

. . . .

0 0 0

1.3. Condiciones de estacionariedad

Considerando la representacin VAR(1)
t = F t1 + vt
(np1) (npnp)(np1) (np1)
iteramos
t+1 = F t + vt+1
t+2 = F (F t + vt+1 ) + vt+2 = F2 t + Fvt+1 + vt+2
t+3 = F3 t + F2 vt+1 + Fvt+2 + vt+3
..
.
esto es, s periodos hacia adelante tenemos
t+s = Fs t + Fs1 vt+1 + Fs2 vt+2 + + F2 vt+s2 + Fvt+s1 + vt+s
escribiendo los trminos el RHS en sentido inverso
t+s = vt+s + Fvt+s1 + F2 vt+s2 + + Fs2 vt+2 + Fs1 vt+1 + Fs t (1)
Para que el proceso sea estacionario en covarianzas, las consecuencias de cualquier t dado deben
eventualmente diluirse.
Si los valores propios de F caen dentro del crculo unitario, entonces el VAR se conviernte en
estacionario en covarianza.

Proposicin 1. Los valores propios de la matriz F satisfacen

In p 1 p1 2 p2 p = 0 (2)

Equivalentemente, el VAR es estacionario en covarianza si todos los valores de z que satisfacen

In 1 z 2 z 2 p z p = 0

caen fuera del crculo unitario.

1.4. La Representacin MA()

Las primeras n filas del sistema vectorial
t+s = vt+s + Fvt+s1 + F2 vt+s2 + + Fs1 vt+1 + Fs t
(np1) (npnp)
donde
(s) (s) (s)
yt+s F11 F12 F1p

(n1) (nn) (nn)

(n1)
(nn)
t
yt+s (s) (s) (s)

F21 F22 F2p

(n1) (n1)

s

0

t+s = F = vt = ..

(nn) (nn)
.. (nn)

.

(npnp)

(np1) . (np1)

yt+sp+1

(s) (s)

(s) 0

Fp1 Fp2 Fpp
(n1) (n1) (nn)
(nn) (nn)
es
yt+s = t+s
t+s1 t+s2 t+1

0 (2) (2) 0 0
+ F(1) (1) (1)
11 F12 F1p
. + F F F(2) . + + F(s1) F(s1) F(s1) .
.. 11 12 1p .. 11 12 1p ..
0 0 0
yt

yt1
+ F(s)
11
(s)
F12 F1p
(s) ..
.

ytp+1

Despejando yt+s
yt+s = + t+s + 1 t+s1 + 2 t+s2 + + s1 t+1
(s) (s) (s)
+ F11 (yt ) + F12 (yt1 ) + + F1p (ytp+1 )
donde
(j)
j = F11
(nn)
son las matrices MA (media mvil).

La representacin MA() requiere que Fs 0 conforme s , de manera que yt
(npnp) (npnp)
pueda ser expresado como una suma convergente de la historia de t
yt = + (L) t
donde
(L) = In + 1 L + 2 L2 +
esto es
X
(L) = j Lj ; 0 = In
j=0
esto se lograr siempre que todos los valores propios de F estn dentro del crculo unitario.
Como ytj es una funcin lineal de tj , tj1 , . . ., cada uno de los cuales no est correlacionado
con t+1 para j = 0, 1, . . .. De aqu se sigue que t+1 no est correlacionado con ytj para
cualquier j 0 .

1.4.1. Otra forma de clculo de las matrices MA

A partir de
(L) yt = c + t
pre-mutiplicamos a ambos lados por la inversa de (L) tenemos
yt = + (L)t
donde = [ (1)]1 c y
(L) = [ (L)]1
requirindose que
(L) (L) = In
reemplazando
h ih i
In 1 L 2 L2 p Lp In + 1 L + 2 L2 + = In
igualando los coeficientes de Lj a la matriz cero obtenemos
s = 1 s1 + 2 s2 + + p sp
con 0 = In y s = 0 para s < 0.

1.4.2. Representacin MA con innovaciones distintas a la fundamental

Sea t la innovacin fundamental de y en su representacin MA().
yt = + t + 1 t1 + 2 t2 + (3)
con
t W N (0, )
Sea H una matriz (n n) no singular.

Definimos el siguiente ruido blanco ut
ut = Ht
con
0

ut W N 0, HH
A partir de (3) podemos escribir
yt = + H1 Ht + 1 H1 Ht1 + 2 H1 Ht2 +
esto es
yt = + J0 ut + J1 ut1 + J2 ut2 + (4)
donde
Js s H1
con
J0 = 0 H1 = In H1 = H1

EJEMPLO: Suponga que H es una matriz que diagonaliza a , esto es

0
HH = D
cond D una matriz diagonal

Recuerde que
Var [t ] = E t 0t =

0 0
Var [ut ] = E ut ut0 = E Ht 0t H = HE t 0t H = HH

0
entonces, si H es elegido de tal manera que HH sea una matriz diagonal D
0
HH = D
entonces los elementos de ut no estarn correlacionados entre s:
Var (u1t ) Cov (u1t , u2t ) Cov (u1t , unt )

d1 0 0
Cov (u2t , u1t ) Var (u2t ) Cov (u2t , unt ) 0 d2 0
.. .. .. .. = .. .. .. ..

. . . . . . . .

Cov (unt , u1t ) Cov (unt , u2t ) Var (unt ) 0 0 dn
esto es
si i = j

di
Cov (uit , ujt ) = con di 0
0 si i =
6 j
Por lo tanto, es siempre posible escribir un proceso estacionario VAR(p) como una un convergente
proceso MA() de un vector ruido blanco ut cuyos elementos no estn mutuamente correlacio-
nados.

2. Autocovarianzas y resultados de convergencia

2.1. Matriz de Autocovarianzas j- sima
Para un proceso vectorial ndimensional estacionario en covarianzas, la autocovarianza jsima
es definida como la siguiente matriz (n n)
h i
j = E (yt ) (ytj )0
Adems, a partir de
h i h i
j = E (yt+j ) (yt+jj )0 = E (yt+j ) (yt )0
tomando transpuesta
h i 0
0j = E (yt ) (yt+j )0 = E (yt ) yt(j) = j
por lo tanto
0j = j

2.2. El proceso vectorial MA()

El proceso vectorial MA() es escrito como
yt = + t + 1 t1 + 2 t2 +
para t es un ruido blanco vectorial

(n1)
E [t ] = 0
(
para t =
Cov [t , ] = E t 0

=
0 en otro caso
esto es
t W N (0, )
Para una matriz Hs , la secuencia de matrices {Hs }

s= es absolutamente sumable si cada
(nm)
uno de sus elementos forma una secuencia escalar absolutamente sumable.
La secuencia de matrices MA {s }
s=0 es absolutametne sumable si

X (s)
ij <
s=0
(s)
donde ij es el elemento (i, j) de la matriz s para i = 1, 2, . . . y j = 1, 2, . . .

Proposicin 2. Sea yt un vector (n 1) que satisface

X
yt = + k tk
k=0
donde t W N (0, ) y {s } s=0 es absolutamente sumable . Sea yit el isimo elemento de yt ,

y sea i el isimo elemento de . Entonces
(a) La autocovarianza entre la variable isima en el instante t y la variable jsima s periodos

hacia atrs
E [(yit i ) (yj,ts j )]
existe y est dada por elemento (i, j) de

s+v 0v
X
s = para s = 0, 1, 2, . . .
s=0
(b) La secuencia de matrices {s }

s=0 es absolutamente sumable.
Si, adems, {t }
t= es una secuencia i.i.d. con
E [ |i1 t , i2 t , i3 t , i4 t | ] <
para i1 , i2 , i3 , i4 = 1, 2, . . . , n, tambin:
(d) E [ |yi1 t1 , yi2 t2 , yi3 t3 , yi4 t4 | ] < para i1 , i2 , i3 , i4 = 1, 2, . . . , n, y para todo t1 , t2 , t3 , t4 .

T
1X p
(d) yit yj,ts E [yit , yj,ts ] para i, j = 1, 2, . . . , n para todo s.
T t=1
2.3. Autoregresin Vectorial

Sea el proceso VAR(p):
yt = 1 (yt1 ) + 2 (yt2 ) + + p (ytp ) + t
cuya representacin mediente un proceso VAR(1) es:
t = F t1 + vt
donde

1 2 3 p1 p
yt t
In 0 0 0 0

yt1
0
0 In 0 0 0

t = .. F = vt = ..
(np1)

.
(npnp)

.. .. .. .. .. (np1)

.

. . . . .

ytp+1

0
0 0 0 In 0
Asumiendo que e y son estacionarios en covarianza, sea la varianza de

yt 0 1 p1
01

yt1 0 p2

0
= E t t = E .. yt yt1 ytp+1 = .. .. .. ..

. . . . .

0p1 0p2

ytp+1 0

(5)
donde j donde la autocovarianza j-sima del proceso original yt .

Por otro lado

h 0 i
E t 0t = E = FE t1 0t1 F0 + E vt vt0

F t1 + vt F t1 + vt
esto es
= FF0 + Q

2.3.1. El operador vec

Si A es una matriz (m n), entonces vec (A) es un vector columna (mn 1), obtenido al apilar
todas las columnas de A, en una nica columna, una a continuacin de otra.
Por ejemplo, si A fuse " #

a11 a12 a13
A=
a21 a22 a23
entonces
a11

a21

a12
vec (A) =

a22

a13
a23
2.3.2. El producto de Kronecker

Si A es una matriz (m n) y B es una matriz p q, entonces el producto de Kronecker A B
es la matriz bloque mp nq

a11 B a12 B a1n B
(pq) (pq) (pq)
a
21 B a22 B a2n B
A

(pq) (pq) (pq)
B=

.. .. .. ..
. . . .

am1 B am2 B amn B
(pq) (pq) (pq)

Proposicin 3. Sea A, B y C matrices cuyas dimensiones son tales que el producto ABC existe.
entonces
vec (ABC) = C0 A vec (B)

donde el smbolo denota el producto de Kronecker.

Si el operador vec es aplicado a ambols lados de
= FF0 + Q
el resultado es
vec () = (F F) vec () + vec (Q) = Avec () + vec (Q) (6)
donde:
A=FF
Sea r = np de tal manera que F es una matriz (r r)y A es una matriz r2 r2 . La ecuacin

(6) tiene la solucin

vec () = [Ir2 A]1 vec (Q) (7)
donde la matriz [Ir2 A] es no singular. Todos los elementos de F F son de la forma i j ,
donde i y j son valores propios de F. Como |i | < 1 para todo i, se sigue que los valores
propios de A estn dentro del crculo unitario, significando que [Ir2 A] es de hecho no singular.

Las primeras p matrices de autocovarianza de un proceso VAR(p) pueden ser calculadas sustitu-
yendo (5) en (7)

0 1 p1

10 0 p2
vec () = vec = [I 2 A]1 vec (Q)

.. .. .. .. r

. . . .

0p1 0p2 0
La autocovarianza jsima de t (denoado como j ) puede ser encontrada postmultiplicando
t = F t1 + vt
por 0tj y tomando esperanza

h i h i h i
E t 0tj = E F t1 0tj + E vt 0tj
as
j = Fj1 para j = 1, 2, . . .
o
j = Fj para j = 1, 2, . . .
La autocovarianza jsima j del proceso yt original, est dado por las primeras n filas y n
columnas de j = Fj1 :
j = 1 j1 + 2 j2 + + p jp para j = p, p + 1, p + 2, . . .

2.4. Funcin de Log Verosimilitud

Sea el proceso VAR(p):
yt = c + 1 yt1 + 2 yt2 + + p ytp + t
con
t i.i.d.N (0, )
Suponga que contamos con las observaciones de estas n variables para (T + p) periodos
{yt }Tt=1
+p
El objetivo es formar la verosimilitud condicional

fYT ,YT 1 ,...,Y1 |Y0 ,Y1 ,...,Yp+1 (yT , yT 1 , . . . , y1 |y0 , y1 , . . . , yp+1 ; )
donde es el vector que contiene los elementos de
c, 1 , 2 , . . . , p ,
Sea xt un vector que contiene un trmino constante y p rezagos de cada elemento de y:

1
y
t1
y

xt =
t2

..

.

ytp
As, xt es un vector [(np + 1) 1].

Sea 0 la matriz [n (np + 1)] de parmetros

h i
0 c 1 2 p
donde
yt |yt1 , yt2 , . . . , yp+1 N 0 xt ,

La log verosimilitud muestral resulta ser

T
X
L () = log fYt |Yt1 ,Yt.2 ,...,Yp+1 (yt |yt1 , yt2 , . . . , yp+1 ; )
t=1
esto es
T h
Tn T 1X 0 i
L () = log (2) + log 1 yt 0 xt 1 yt 0 xt

2 2 2 t=1
Como en los procesos VAR:

b M LE =
b OLS
entonces: " T #" T #1

b0 b0 yt xt0 xt xt0
X X
M LE = OLS =
t=1 t=1
T
b0 1X
t = yt
b M LE xt ; =
b t b0t
b
T t=1

2.5. La Funcin de Respuesta al Impulso

Sea la representacin MA() de un VAR(p)
yt = + t + 1 t1 + 2 t2 +
iterando s periodos hacia adelante
yt+s = + t+s + 1 t+s1 + 2 t+s2 + + s t +
La matriz s tiene la interpretacin

yt+s
= s
0t
La grfica del elemento (i, j) de s

yi,t+s (s)
= ij
jt
es una funcin de s que recibe el nombre de funcin de respuesta al impulso.
La funcin de respuesta al impuso describe la respuesta de yi,t+s a un impulso unitario en yjt

manteniendo constate todas las dems variables en t, t 1, . . .

3. Referencias
Hamilton, J. D. (1994), Time Series Analysis, Princeton University Press.
Ltkepohl, H. (2005), New Introduction to Multiple Time Series Analysis, Springer-Verlag Berlin Hei-
delberg.
Zivot, E. y J. Wang (2006), Modelling Financial Time Series with S-PLUS, 2da. Edicin, Princeton
University Press.

Ataurima-Arellano M. (2016ii) - 010. Autoregresiones Vectoriales

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Ataurima-Arellano M. (2016ii) - 010. Autoregresiones Vectoriales

Diunggah oleh

Hak Cipta:

Format Tersedia

FACULTAD DE CIENCIAS ECONMICAS

ECONOMETRA DE SERIES DE TIEMPO

Miguel Ataurima Arellano1

2. Autocovarianzas y resultados de convergencia 18

Miguel Ataurima Arellano 2 mataurima@mef.gob.pe

Se busca describir las interacciones dinmicas entre un conjunto de n variables recolectadas en

Miguel Ataurima Arellano 3 mataurima@mef.gob.pe

yt = c + 1 yt1 + 2 yt2 + + p ytp + t

siendo = Var [t ] una matriz simtrica definida positiva.

Miguel Ataurima Arellano 4 mataurima@mef.gob.pe

EJEMPLO: Un VAR(2) con n = 2

(1) (1) (2) (2)

Escribiendo en forma desarrollada obtenemos un sistema de ecuaciones en diferencia

Miguel Ataurima Arellano 5 mataurima@mef.gob.pe

Miguel Ataurima Arellano 6 mataurima@mef.gob.pe

EJEMPLO: Para un VAR(2) con n = 2

esto es (1) (2) (1) (2)

Miguel Ataurima Arellano 7 mataurima@mef.gob.pe

Observe tambin que la indexacin se encuentra invertida.

Miguel Ataurima Arellano 8 mataurima@mef.gob.pe

1.1. Estacionariedad en Covarianza de un VAR(p)

Si el proceso proceso VAR(p)

yt = c + 1 yt1 + 2 yt2 + + p ytp + t

Podemos tomar esperanza a ambos lados de la ecuacin vectorial que define al

E [yt ] = E [c + 1 yt1 + 2 yt2 + + p ytp + t ]

Podemos escribirlo en desviaciones de su media

yt = 1 (yt1 ) + 2 (yt2 ) + + p (ytp ) + t

Miguel Ataurima Arellano 9 mataurima@mef.gob.pe

1.2. Reescritura de un VAR(p) en un VAR(1)

yt = 1 (yt1 ) + 2 (yt2 ) + + p (ytp ) + t

en terminos del siguiente proceso VAR(1):

Miguel Ataurima Arellano 10 mataurima@mef.gob.pe

1.3. Condiciones de estacionariedad

esto es, s periodos hacia adelante tenemos

t+s = Fs t + Fs1 vt+1 + Fs2 vt+2 + + F2 vt+s2 + Fvt+s1 + vt+s

escribiendo los trminos el RHS en sentido inverso

t+s = vt+s + Fvt+s1 + F2 vt+s2 + + Fs2 vt+2 + Fs1 vt+1 + Fs t (1)

Miguel Ataurima Arellano 11 mataurima@mef.gob.pe

Proposicin 1. Los valores propios de la matriz F satisfacen

Equivalentemente, el VAR es estacionario en covarianza si todos los valores de z que satisfacen

caen fuera del crculo unitario.

Miguel Ataurima Arellano 12 mataurima@mef.gob.pe

1.4. La Representacin MA()

Miguel Ataurima Arellano 13 mataurima@mef.gob.pe

son las matrices MA (media mvil).

Miguel Ataurima Arellano 14 mataurima@mef.gob.pe

1.4.1. Otra forma de clculo de las matrices MA

igualando los coeficientes de Lj a la matriz cero obtenemos

con 0 = In y s = 0 para s < 0.

Miguel Ataurima Arellano 15 mataurima@mef.gob.pe

1.4.2. Representacin MA con innovaciones distintas a la fundamental

yt = + t + 1 t1 + 2 t2 + (3)

Sea H una matriz (n n) no singular.

A partir de (3) podemos escribir

yt = + H1 Ht + 1 H1 Ht1 + 2 H1 Ht2 +

Miguel Ataurima Arellano 16 mataurima@mef.gob.pe

EJEMPLO: Suponga que H es una matriz que diagonaliza a , esto es

cond D una matriz diagonal

Var [t ] = E t 0t =

Miguel Ataurima Arellano 17 mataurima@mef.gob.pe

2. Autocovarianzas y resultados de convergencia

Miguel Ataurima Arellano 18 mataurima@mef.gob.pe

2.2. El proceso vectorial MA()

yt = c + 1 yt1 + 2 yt2 + + p ytp + t

siendo = Var [t ] una matriz simtrica definida positiva.

yt = c + 1 yt1 + 2 yt2 + + p ytp + t

E [yt ] = E [c + 1 yt1 + 2 yt2 + + p ytp + t ]

yt = 1 (yt1 ) + 2 (yt2 ) + + p (ytp ) + t

yt = 1 (yt1 ) + 2 (yt2 ) + + p (ytp ) + t

yt = + t + 1 t1 + 2 t2 + (3)

yt = + H1 Ht + 1 H1 Ht1 + 2 H1 Ht2 +

Var [t ] = E t 0t =

para t es un ruido blanco vectorial

donde t W N (0, ) y {s } s=0 es absolutamente sumable . Sea yit el isimo elemento de yt ,

E [ |i1 t , i2 t , i3 t , i4 t | ] <

yt = 1 (yt1 ) + 2 (yt2 ) + + p (ytp ) + t

donde el smbolo denota el producto de Kronecker.

vec () = (F F) vec () + vec (Q) = Avec () + vec (Q) (6)

yt+s = + t+s + 1 t+s1 + 2 t+s2 + + s t +